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
葛力完成签到,获得积分10
2秒前
红茸茸羊完成签到 ,获得积分10
4秒前
dddd完成签到 ,获得积分10
9秒前
个性松完成签到 ,获得积分10
9秒前
刘五十七完成签到 ,获得积分10
19秒前
yan完成签到 ,获得积分10
21秒前
llll完成签到,获得积分10
27秒前
书生也是小郎中完成签到 ,获得积分10
31秒前
康康乃馨完成签到 ,获得积分10
1分钟前
ylky完成签到 ,获得积分10
1分钟前
花园里的蒜完成签到 ,获得积分0
1分钟前
冰留完成签到 ,获得积分10
1分钟前
斯文凡阳完成签到,获得积分10
1分钟前
songf11完成签到,获得积分10
1分钟前
1分钟前
小墨应助科研通管家采纳,获得10
1分钟前
小墨应助科研通管家采纳,获得10
1分钟前
阿玖完成签到 ,获得积分10
1分钟前
1分钟前
月儿完成签到 ,获得积分10
1分钟前
居居侠完成签到 ,获得积分10
1分钟前
Jenny完成签到,获得积分10
2分钟前
stiger完成签到,获得积分10
2分钟前
跳跃的鹏飞完成签到 ,获得积分10
2分钟前
2分钟前
123完成签到 ,获得积分10
2分钟前
温如军完成签到 ,获得积分10
2分钟前
平常山河完成签到 ,获得积分10
2分钟前
2分钟前
Rainielove0215完成签到,获得积分0
2分钟前
张振宇完成签到 ,获得积分10
2分钟前
3分钟前
小白兔完成签到 ,获得积分10
3分钟前
yang完成签到 ,获得积分10
3分钟前
粥粥完成签到 ,获得积分10
3分钟前
小刘哥加油完成签到 ,获得积分10
3分钟前
jennie完成签到 ,获得积分10
3分钟前
橙汁摇一摇完成签到 ,获得积分10
3分钟前
枫枫829完成签到 ,获得积分10
3分钟前
雪妮完成签到 ,获得积分10
3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 3192705
求助须知:如何正确求助?哪些是违规求助? 2841731
关于积分的说明 8034584
捐赠科研通 2505438
什么是DOI,文献DOI怎么找? 1338562
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