结合高低频分解和多尺度两级融合策略的单一深度图去噪方法

现有的很多基于神经网络的深度图去噪方法忽略了深度图结构信息和细节信息之间的差异性,导致这些方法往往无法准确地恢复深度图的几何结构信息.为此,提出一种结合图像高低频分解和多尺度两级融合策略的单一深度图去噪方法.首先,考虑到不同噪声的差异性,引入多尺度高斯滤波器将含噪声的深度图分解为一组低频结构分量和一组高频细节分量.其次,考虑到低频结构信息和高频细节信息的互补特性,将这两组分量分别输入到基于多尺度两级融合的低频特征提取网络和高频特征提取网络,并且提出在这两个网络之间使用互补的特征加权融合机制进行多级特征融合和反馈.最后,对高低频特征提取网络输出的高低频增强特征,使用高低频合并重建模块进行残差预测,再将其与输入图相融合得到高质量的深度图.实验结果表明,在峰值信噪比、均方根误差、结构相似性和综合性能对比方面,本文方法比多个主流的深度图去噪方法如ARCNN、Fast ARCNN、DnCNN、ADNet和FFDNet拥有更好的性能.

基于深度图去噪的RGBD显著性目标检测的研究

虽然基于深度图像(RGB-Depth map,RGBD)的显著性目标检测如今已取得了很大的发展,但是深度图含有大量的噪声,使得检测性能还有较大的提升空间。首先使用单目深度估计的方法预测出RGB图片的深度图,并与实际输入的深度图作MAE、E-measure、S-measure评分,可以选取质量较好的预测深度图;其次使用筛选的预测深度图训练一个深度图去噪网络,达到了对输入深度图进行去噪的目的;最后,将去噪的深度图、RGB图像做显著性目标检测与不去噪的深度图、RGB图像做显著性目标检测进行对比,前者更加优异,证实了深度图去噪对显著性目标检测性能提升的有效性。