清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Self-Supervised Learning for RGB-Guided Depth Enhancement by Exploiting the Dependency Between RGB and Depth

RGB颜色模型 人工智能 计算机科学 依赖关系(UML) 计算机视觉 降噪 噪音(视频) 模式识别(心理学) 图像(数学)
作者
Jun Wang,Peilin Liu,Fei Wen
出处
期刊:IEEE transactions on image processing [Institute of Electrical and Electronics Engineers]
卷期号:32: 159-174 被引量:5
标识
DOI:10.1109/tip.2022.3226419
摘要

Due to the imaging mechanism of time-of-flight (ToF) sensors, the captured depth images usually suffer from severe noise and degradation. Though many RGB-guided methods have been proposed for depth image enhancement in the past few years, yet the enhancement performance on real-world depth images is still largely unsatisfactory. Two main reasons are the complexity of realistic noise and degradation in depth images, and the difficulty in collecting noise-clean pairs for supervised enhancement learning. This work aims to develop a self-supervised learning method for RGB-guided depth image enhancement, which does not require any noisy-clean pairs but can significantly boost the enhancement performance on real-world noisy depth images. To this end, we exploit the dependency between RGB and depth images to self-supervise the learning of the enhancement model. It is achieved by maximizing the cross-modal dependency between RGB and depth to promote the enhanced depth having dependency with the RGB of the same scene as much as possible. Furthermore, we augment the cross-modal dependency maximization formulation based on the optimal transport theory to achieve further performance improvement. Experimental results on both synthetic and real-world data demonstrate that our method can significantly outperform existing state-of-the-art methods on depth denoising, multi-path interference suppression, and hole filling. Particularly, our method shows remarkable superiority over existing ones on real-world data in handling various realistic complex degradation. Code is available at https://github.com/wjcyt/SRDE.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
qcrcherry完成签到,获得积分10
1秒前
vsvsgo完成签到,获得积分10
19秒前
Betty完成签到,获得积分10
24秒前
白菜完成签到 ,获得积分10
40秒前
司徒无剑发布了新的文献求助10
1分钟前
lovexa完成签到,获得积分10
1分钟前
嗯好22222完成签到 ,获得积分10
1分钟前
wangsai0532完成签到,获得积分10
2分钟前
2分钟前
曾经枫发布了新的文献求助10
2分钟前
jerry完成签到 ,获得积分10
2分钟前
自由飞翔完成签到 ,获得积分10
3分钟前
vbnn完成签到 ,获得积分10
4分钟前
科研通AI2S应助宇文雨文采纳,获得30
4分钟前
creep2020完成签到,获得积分10
4分钟前
fairy发布了新的文献求助30
4分钟前
所所应助珍奇采纳,获得10
5分钟前
风一样的我完成签到,获得积分10
5分钟前
自然的含蕾完成签到 ,获得积分10
5分钟前
5分钟前
slzhao发布了新的文献求助10
5分钟前
6分钟前
宇文雨文完成签到,获得积分10
6分钟前
斯文败类应助曾经枫采纳,获得10
6分钟前
kuyi完成签到 ,获得积分10
6分钟前
鱼在咸水里折腾完成签到 ,获得积分10
7分钟前
8分钟前
珍奇完成签到,获得积分20
8分钟前
珍奇发布了新的文献求助10
8分钟前
大模型应助科研通管家采纳,获得80
8分钟前
dormraider完成签到,获得积分10
8分钟前
Alvin完成签到 ,获得积分10
8分钟前
cy0824完成签到 ,获得积分10
9分钟前
10分钟前
曾经枫发布了新的文献求助10
10分钟前
小二郎应助曾经枫采纳,获得10
11分钟前
李健的小迷弟应助fsznc采纳,获得10
11分钟前
鑫鑫完成签到 ,获得积分10
11分钟前
实力不允许完成签到 ,获得积分10
11分钟前
单薄松鼠完成签到 ,获得积分10
11分钟前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
Dictionary of socialism 350
Mixed-anion Compounds 300
Geochemistry, 2nd Edition 地球化学经典教科书第二版 300
Idoxuridine 260
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3196831
求助须知:如何正确求助?哪些是违规求助? 2845494
关于积分的说明 8054280
捐赠科研通 2510132
什么是DOI,文献DOI怎么找? 1342278
科研通“疑难数据库(出版商)”最低求助积分说明 639355
邀请新用户注册赠送积分活动 608669