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
cnkly完成签到,获得积分10
1秒前
璐璐完成签到 ,获得积分10
15秒前
wq完成签到 ,获得积分10
15秒前
自来也完成签到,获得积分10
16秒前
16秒前
烟熏妆的猫完成签到 ,获得积分10
16秒前
柒八染完成签到 ,获得积分10
16秒前
Silence完成签到,获得积分10
16秒前
陌君子筱发布了新的文献求助10
21秒前
魔幻秋柔完成签到 ,获得积分10
21秒前
elunxu完成签到,获得积分10
24秒前
25秒前
Docsiwen完成签到 ,获得积分10
25秒前
wangeil007完成签到,获得积分10
28秒前
DeaR完成签到 ,获得积分10
30秒前
大山完成签到,获得积分10
30秒前
FUNG完成签到 ,获得积分10
31秒前
peterlzb1234567完成签到,获得积分10
32秒前
斯文的妙海完成签到 ,获得积分10
33秒前
天天快乐应助莓啤汽采纳,获得10
34秒前
闵凝竹完成签到 ,获得积分10
35秒前
huangzsdy完成签到,获得积分10
36秒前
耍酷的剑身完成签到,获得积分10
38秒前
马大翔应助科研通管家采纳,获得10
41秒前
gypsi完成签到,获得积分0
43秒前
文与武完成签到 ,获得积分10
44秒前
乐乐完成签到,获得积分10
47秒前
49秒前
呆呆的猕猴桃完成签到 ,获得积分10
49秒前
Till完成签到 ,获得积分10
51秒前
nianshu完成签到 ,获得积分10
52秒前
53秒前
亚李完成签到 ,获得积分10
53秒前
莓啤汽发布了新的文献求助10
56秒前
背书强完成签到 ,获得积分10
58秒前
1分钟前
幸福的小刺猬完成签到 ,获得积分10
1分钟前
1分钟前
rare发布了新的文献求助10
1分钟前
轩辕德地完成签到,获得积分10
1分钟前
高分求助中
Evolution 3rd edition 1500
保险藏宝图 1000
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
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 3183763
求助须知:如何正确求助?哪些是违规求助? 2833806
关于积分的说明 7995603
捐赠科研通 2496073
什么是DOI,文献DOI怎么找? 1331890
科研通“疑难数据库(出版商)”最低求助积分说明 636455
邀请新用户注册赠送积分活动 603625