已入深夜,您辛苦了!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!祝你早点完成任务,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
1秒前
2秒前
移动马桶完成签到 ,获得积分10
2秒前
小土豆完成签到 ,获得积分10
3秒前
黎_完成签到,获得积分10
4秒前
nnetth发布了新的文献求助10
8秒前
11秒前
Pluto完成签到,获得积分10
12秒前
共享精神应助好好好采纳,获得10
12秒前
稗子完成签到,获得积分10
13秒前
唐擎汉完成签到,获得积分10
13秒前
dcy发布了新的文献求助10
14秒前
小丿丫丿丫完成签到 ,获得积分10
17秒前
无花果应助livialiu采纳,获得100
19秒前
dcy完成签到,获得积分10
21秒前
木棉发布了新的文献求助30
21秒前
天真的红酒完成签到,获得积分10
22秒前
甜甜秋荷发布了新的文献求助10
23秒前
23秒前
1234567890完成签到 ,获得积分10
23秒前
重要无招完成签到,获得积分10
24秒前
友好白凡完成签到,获得积分10
26秒前
嗯哼应助不想读书采纳,获得10
26秒前
一叶不知秋完成签到,获得积分10
27秒前
1234567890发布了新的文献求助10
28秒前
卧镁铀钳完成签到 ,获得积分10
29秒前
撒西不理完成签到,获得积分10
32秒前
刘天宇完成签到 ,获得积分10
35秒前
Sigui完成签到 ,获得积分10
35秒前
37秒前
归海志泽完成签到 ,获得积分10
37秒前
木棉发布了新的文献求助10
38秒前
dingm2完成签到 ,获得积分10
39秒前
平凡中的限量版完成签到,获得积分10
43秒前
六步郎完成签到 ,获得积分10
43秒前
44秒前
ding应助厉亮采纳,获得10
44秒前
45秒前
RTP完成签到 ,获得积分10
45秒前
平常聪健完成签到,获得积分10
46秒前
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 3192249
求助须知:如何正确求助?哪些是违规求助? 2841591
关于积分的说明 8033929
捐赠科研通 2505172
什么是DOI,文献DOI怎么找? 1338408
科研通“疑难数据库(出版商)”最低求助积分说明 638317
邀请新用户注册赠送积分活动 606881