亲爱的研友该休息了!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,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

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
HelenZ发布了新的文献求助10
15秒前
1分钟前
RED发布了新的文献求助50
2分钟前
picapica668发布了新的文献求助10
2分钟前
研友_ndDGVn完成签到 ,获得积分10
2分钟前
Ventus发布了新的文献求助10
2分钟前
3分钟前
十三完成签到 ,获得积分10
3分钟前
充电宝应助科研通管家采纳,获得10
4分钟前
picapica668发布了新的文献求助10
4分钟前
4分钟前
胡嘉琪完成签到 ,获得积分10
4分钟前
余日秋山发布了新的文献求助10
4分钟前
Owen应助余日秋山采纳,获得10
4分钟前
HelenZ发布了新的文献求助30
4分钟前
Hello应助duqiliu采纳,获得10
5分钟前
ont-tnt发布了新的文献求助10
5分钟前
柔弱烧鹅完成签到,获得积分10
5分钟前
科研通AI2S应助ont-tnt采纳,获得10
5分钟前
彭于彦祖应助柔弱烧鹅采纳,获得30
5分钟前
Ventus完成签到,获得积分10
6分钟前
6分钟前
Ventus发布了新的文献求助10
6分钟前
duqiliu发布了新的文献求助10
6分钟前
6分钟前
HelenZ发布了新的文献求助10
7分钟前
合不着完成签到 ,获得积分10
7分钟前
picapica668完成签到,获得积分10
7分钟前
kuoping完成签到,获得积分10
9分钟前
9分钟前
cyb发布了新的文献求助10
9分钟前
Hello应助NK.cell采纳,获得10
9分钟前
cyb完成签到,获得积分10
9分钟前
9分钟前
NK.cell完成签到,获得积分10
9分钟前
NK.cell发布了新的文献求助10
9分钟前
11分钟前
owlhealth发布了新的文献求助10
11分钟前
poki完成签到 ,获得积分10
11分钟前
脑洞疼应助科研通管家采纳,获得10
12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
A prescription for engineering PFAS biodegradation 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 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 3183723
求助须知:如何正确求助?哪些是违规求助? 2833759
关于积分的说明 7995476
捐赠科研通 2496028
什么是DOI,文献DOI怎么找? 1331823
科研通“疑难数据库(出版商)”最低求助积分说明 636435
邀请新用户注册赠送积分活动 603609