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
春困秋乏完成签到,获得积分10
刚刚
研友_LN7x6n完成签到,获得积分0
刚刚
科研螺丝完成签到 ,获得积分10
1秒前
LJP完成签到,获得积分10
1秒前
繁荣的向秋完成签到,获得积分10
1秒前
善学以致用应助seven采纳,获得10
1秒前
自信的盼海完成签到 ,获得积分10
2秒前
hahhhah完成签到 ,获得积分20
2秒前
哈哈一笑完成签到,获得积分10
2秒前
淀粉肠完成签到 ,获得积分10
4秒前
123完成签到,获得积分10
5秒前
xiaolin678完成签到,获得积分10
5秒前
Coldpal完成签到,获得积分10
5秒前
廉不可完成签到,获得积分0
6秒前
太阳完成签到 ,获得积分10
7秒前
廖天佑完成签到,获得积分10
9秒前
Zzz完成签到,获得积分10
9秒前
Yziii完成签到,获得积分0
10秒前
清脆忆南完成签到 ,获得积分10
10秒前
科研通AI2S应助coolkid采纳,获得10
10秒前
永不言弃完成签到 ,获得积分10
11秒前
Iuu发布了新的文献求助10
11秒前
精明人达完成签到,获得积分10
12秒前
前进的光完成签到,获得积分10
12秒前
业余科研完成签到,获得积分10
12秒前
13秒前
123完成签到,获得积分10
13秒前
mjsdx给mjsdx的求助进行了留言
13秒前
LLLLLL完成签到,获得积分10
14秒前
14秒前
hulin_zjxu完成签到,获得积分10
16秒前
精明人达发布了新的文献求助20
16秒前
熬夜猫完成签到,获得积分10
17秒前
popo完成签到,获得积分10
17秒前
负责紊完成签到,获得积分10
18秒前
陶醉夏旋发布了新的文献求助10
18秒前
小刘发布了新的文献求助10
18秒前
miko完成签到,获得积分10
18秒前
LCX完成签到,获得积分10
18秒前
小钱钱完成签到,获得积分10
18秒前
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 3183774
求助须知:如何正确求助?哪些是违规求助? 2833967
关于积分的说明 7996535
捐赠科研通 2496239
什么是DOI,文献DOI怎么找? 1332000
科研通“疑难数据库(出版商)”最低求助积分说明 636466
邀请新用户注册赠送积分活动 603660