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
ee_Liu完成签到,获得积分10
21秒前
宝宝完成签到,获得积分10
34秒前
研友_Z7XY28完成签到 ,获得积分10
50秒前
J陆lululu完成签到 ,获得积分10
53秒前
jiajia完成签到,获得积分10
59秒前
qq完成签到 ,获得积分10
1分钟前
飞鱼应助科研通管家采纳,获得10
1分钟前
无辜的行云完成签到 ,获得积分0
1分钟前
zijingsy完成签到 ,获得积分10
2分钟前
DJ_Tokyo完成签到,获得积分10
2分钟前
skier发布了新的文献求助10
2分钟前
柠柚萌不萌完成签到 ,获得积分10
2分钟前
健忘捕完成签到 ,获得积分10
2分钟前
hongt05完成签到 ,获得积分10
2分钟前
沙海沉戈完成签到,获得积分0
3分钟前
四叶草完成签到 ,获得积分10
3分钟前
3分钟前
iberis完成签到 ,获得积分10
3分钟前
LELE完成签到 ,获得积分10
3分钟前
宝宝发布了新的文献求助10
3分钟前
如意2023完成签到 ,获得积分10
3分钟前
sunflower完成签到,获得积分0
3分钟前
莫冰雪完成签到 ,获得积分10
3分钟前
4分钟前
wpj发布了新的文献求助10
4分钟前
ybwei2008_163完成签到,获得积分20
4分钟前
xiaogang127完成签到 ,获得积分10
4分钟前
lixuebin完成签到 ,获得积分10
4分钟前
zai完成签到 ,获得积分10
5分钟前
熊仔一百完成签到 ,获得积分10
5分钟前
WN关闭了WN文献求助
5分钟前
小贾爱喝冰美式完成签到 ,获得积分20
5分钟前
学术完成签到 ,获得积分10
6分钟前
彩色的芷容完成签到 ,获得积分10
6分钟前
lanxinge完成签到 ,获得积分10
6分钟前
张大星完成签到 ,获得积分10
6分钟前
WN完成签到,获得积分10
6分钟前
WN发布了新的文献求助10
6分钟前
打打应助skier采纳,获得10
6分钟前
6分钟前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
ALA生合成不全マウスでの糖代謝異常の分子機構解析 520
安全防范技术与工程 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
2024 Medicinal Chemistry Reviews 400
Актуализированная стратиграфическая схема триасовых отложений Прикаспийского региона. Объяснительная записка 360
Dictionary of socialism 350
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 3192690
求助须知:如何正确求助?哪些是违规求助? 2841716
关于积分的说明 8034560
捐赠科研通 2505415
什么是DOI,文献DOI怎么找? 1338545
科研通“疑难数据库(出版商)”最低求助积分说明 638372
邀请新用户注册赠送积分活动 606929