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
慕青应助研究新人采纳,获得10
3秒前
内向东蒽完成签到 ,获得积分10
4秒前
美满的小蘑菇完成签到 ,获得积分10
8秒前
小刺猬完成签到,获得积分10
12秒前
i2stay完成签到,获得积分10
13秒前
丹麦曲奇完成签到,获得积分10
14秒前
krathhong完成签到 ,获得积分10
15秒前
林夕完成签到 ,获得积分10
17秒前
CGFHEMAN完成签到 ,获得积分10
20秒前
23秒前
Anoodleatlarge完成签到 ,获得积分10
24秒前
御风完成签到,获得积分10
26秒前
研究新人发布了新的文献求助10
26秒前
充电宝应助jiacheng采纳,获得10
29秒前
含蓄文博完成签到 ,获得积分10
31秒前
大翟完成签到,获得积分10
31秒前
study完成签到,获得积分0
36秒前
蓝桉完成签到 ,获得积分10
41秒前
45秒前
shuyu完成签到 ,获得积分10
47秒前
冯哒哒完成签到 ,获得积分10
47秒前
清伍完成签到 ,获得积分10
48秒前
领导范儿应助cnbhhhhh采纳,获得10
49秒前
chichenglin完成签到 ,获得积分10
51秒前
方方完成签到 ,获得积分10
53秒前
Xii完成签到 ,获得积分10
56秒前
简单幸福完成签到 ,获得积分10
56秒前
牛奶面包完成签到 ,获得积分10
58秒前
coolplex完成签到 ,获得积分10
1分钟前
sally完成签到,获得积分10
1分钟前
水文小白完成签到,获得积分10
1分钟前
starwan完成签到 ,获得积分10
1分钟前
LKX心完成签到 ,获得积分10
1分钟前
Fu完成签到 ,获得积分10
1分钟前
王春琰完成签到 ,获得积分10
1分钟前
小蘑菇应助xingyi采纳,获得10
1分钟前
不安青牛应助紧张的秋莲采纳,获得10
1分钟前
minuxSCI完成签到,获得积分10
1分钟前
1分钟前
爱爱完成签到 ,获得积分10
1分钟前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Write Like a Chemist: A Guide and Resource (第二版) 600
Mixed-anion Compounds 600
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
Earth System Geophysics 500
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Geochemistry, 2nd Edition 地球化学经典教科书第二版 401
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 3200807
求助须知:如何正确求助?哪些是违规求助? 2850569
关于积分的说明 8072435
捐赠科研通 2514308
什么是DOI,文献DOI怎么找? 1347050
科研通“疑难数据库(出版商)”最低求助积分说明 640332
邀请新用户注册赠送积分活动 610520