基于深监督跨尺度注意力网络的深度图像超分辨率重建

消费级深度相机拍摄的深度图像具有分辨率较低的问题,深度图像超分辨率重建是解决该问题的有效方法 .为了提高重建性能,提出一种基于深监督跨尺度注意力网络的深度图像超分辨率重建算法.网络逐级放大,在损失函数中对每一级的输出都进行约束,实现深监督的目的 .采用高阶跨尺度注意力模块,将多尺度特征尺度内及跨尺度相关性与注意力机制结合起来,实现多尺度特征的自适应调整.采用内层为宽激活残差、外层为基本残差的双层残差块作为网络基本构成元素,以提高网络对复杂非线性关系的学习能力.实验结果表明,本文算法在主观视觉效果和客观质量评价指标方面都优于当前主流的深度图像超分辨率重建算法.

联合引导式深度图像超分辨的单目深度估计方法

针对基于编解码结构的单目深度估计网络模型,对细粒度深度信息估计精度差和算力需求大的问题,提出了一种联合引导式深度图像超分辨率的单目深度估计方法。该方法设计了一种基于选择性特征融合的引导式深度图像超分辨率网络模型,并将其与单目深度估计网络模型结合在一个监督学习框架下估计深度。在NYU-Depth-V2数据集上,以三种单目深度估计网络模型开展实验,结果证明该方法具有更好的深度边界预测效果和较低的算力消耗指标。