論文の概要: Structure Flow-Guided Network for Real Depth Super-Resolution

• arxiv url: http://arxiv.org/abs/2301.13416v1
• Date: Tue, 31 Jan 2023 05:13:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-01 17:34:17.003676
• Title: Structure Flow-Guided Network for Real Depth Super-Resolution
• Title（参考訳）: 実深度超解像のための構造フロー誘導ネットワーク
• Authors: Jiayi Yuan, Haobo Jiang, Xiang Li, Jianjun Qian, Jun Li, Jian Yang
• Abstract要約: 本稿では,新しい構造フロー誘導深度超解像(DSR)フレームワークを提案する。 クロスモダリティフローマップを学習し、RGB構造情報転送を正確に深度アップサンプリングするためのガイドする。 我々のフレームワークは最先端の手法と比較して優れた性能を実現している。
• 参考スコア（独自算出の注目度）: 28.63334760296165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real depth super-resolution (DSR), unlike synthetic settings, is a challenging task due to the structural distortion and the edge noise caused by the natural degradation in real-world low-resolution (LR) depth maps. These defeats result in significant structure inconsistency between the depth map and the RGB guidance, which potentially confuses the RGB-structure guidance and thereby degrades the DSR quality. In this paper, we propose a novel structure flow-guided DSR framework, where a cross-modality flow map is learned to guide the RGB-structure information transferring for precise depth upsampling. Specifically, our framework consists of a cross-modality flow-guided upsampling network (CFUNet) and a flow-enhanced pyramid edge attention network (PEANet). CFUNet contains a trilateral self-attention module combining both the geometric and semantic correlations for reliable cross-modality flow learning. Then, the learned flow maps are combined with the grid-sampling mechanism for coarse high-resolution (HR) depth prediction. PEANet targets at integrating the learned flow map as the edge attention into a pyramid network to hierarchically learn the edge-focused guidance feature for depth edge refinement. Extensive experiments on real and synthetic DSR datasets verify that our approach achieves excellent performance compared to state-of-the-art methods.
• Abstract（参考訳）: リアルデプス・スーパーレゾリューション(DSR)は、合成設定とは異なり、実世界の低解像度(LR)深度マップの自然な劣化に起因する構造歪みとエッジノイズのために難しい課題である。 これらの敗北により、深度マップとRGBガイダンスの間に大きな構造上の矛盾が生じ、RGB構造ガイダンスを混乱させ、それによってDSRの品質が低下する可能性がある。 本稿では,RGB構造情報転送を高精度な深度アップサンプリングに導くために,モジュール間フローマップを学習する構造フロー誘導型DSRフレームワークを提案する。 具体的には,フロー誘導型アップサンプリングネットワーク(CFUNet)と,フロー強化型ピラミッドエッジアテンションネットワーク(PEANet)から構成される。 CFUNetには、幾何的および意味的相関と信頼性のある相互モーダリティフロー学習を組み合わせた三元的自己認識モジュールが含まれている。 次に、学習したフローマップと、粗い高分解能(HR)深度予測のためのグリッドサンプリング機構を組み合わせる。 PEANetは、学習したフローマップをエッジアテンションとしてピラミッドネットワークに統合して、深度エッジ改善のためのエッジ中心のガイダンス機能を階層的に学習することを目標としている。 実および合成dsrデータセットに関する広範囲な実験により,本手法が最先端手法と比較して優れた性能を実現することを検証した。

関連論文リスト

• DSR-Diff: Depth Map Super-Resolution with Diffusion Model [38.68563026759223]
  本稿では,遅延空間内の拡散モデルを用いて,深度マップの超解像誘導を行う新しいCDSRパラダイムを提案する。 提案手法は,最先端手法と比較して,広範囲な実験において優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-16T14:18:10Z)
• RigNet++: Semantic Assisted Repetitive Image Guided Network for Depth Completion [31.70022495622075]
  画像案内ネットワークにおける繰り返し設計を探索し、徐々に十分に深度を復元する。 前者では,複雑な環境の識別画像の特徴を抽出するために,高密度繰り返し時間ガラスネットワーク(DRHN)を設計する。 後者では,動的畳み込みに基づく反復誘導(RG)モジュールを提案する。 さらに,領域認識型空間伝搬ネットワーク(RASPN)を提案する。
  論文  参考訳（メタデータ） (2023-09-01T09:11:20Z)
• Symmetric Uncertainty-Aware Feature Transmission for Depth Super-Resolution [52.582632746409665]
  カラー誘導DSRのためのSymmetric Uncertainty-aware Feature Transmission (SUFT)を提案する。 本手法は最先端の手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-06-01T06:35:59Z)
• Learning Detail-Structure Alternative Optimization for Blind Super-Resolution [69.11604249813304]
  そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。 DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。 本手法は既存の手法に対して最先端の手法を実現する。
  論文  参考訳（メタデータ） (2022-12-03T14:44:17Z)
• Struct-MDC: Mesh-Refined Unsupervised Depth Completion Leveraging Structural Regularities from Visual SLAM [1.8899300124593648]
  特徴量に基づく視覚的同時位置決めとマッピング法(SLAM)は,抽出した特徴量の深さのみを推定する。 スパース深度から密集深度を推定する深度完了タスクは、探索のようなロボット応用において重要な役割を担っている。 この問題に対処するためのメッシュ深度改善(MDR)モジュールを提案する。 Struct-MDCは、公開およびカスタムデータセット上で、他の最先端アルゴリズムよりも優れています。
  論文  参考訳（メタデータ） (2022-04-29T04:29:17Z)
• Cross-SRN: Structure-Preserving Super-Resolution Network with Cross Convolution [64.76159006851151]
  低解像度 (LR) 画像から高解像度 (SR) 画像への復元は, 正確かつ明確である。 既存のディープラーニングは、画像の固有の構造情報をほとんど無視する。 構造情報の探索と保存を行う階層的特徴利用ネットワークを設計する。
  論文  参考訳（メタデータ） (2022-01-05T05:15:01Z)
• BridgeNet: A Joint Learning Network of Depth Map Super-Resolution and Monocular Depth Estimation [60.34562823470874]
  本稿では,DSR(Deep Map Super- resolution)とMDE(Monocular depth Estimation)の併用学習ネットワークを提案する。 1つは特徴符号化プロセスのために設計された高周波アテンションブリッジ(HABdg)で、これはDSRタスクを誘導するMDEタスクの高周波情報を学ぶ。 もう一つは、深度マップ再構築プロセス用に設計されたコンテンツガイダンスブリッジ(CGBdg)であり、MDEタスクのためにDSRタスクから学んだコンテンツガイダンスを提供する。
  論文  参考訳（メタデータ） (2021-07-27T01:28:23Z)
• High-resolution Depth Maps Imaging via Attention-based Hierarchical Multi-modal Fusion [84.24973877109181]
  誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。 本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:28:33Z)
• Channel Attention based Iterative Residual Learning for Depth Map Super-Resolution [58.626803922196146]
  我々は、合成データセットで訓練されたDSRモデルは制限的であり、実世界のDSRタスクを扱うのに有効ではないと論じる。 我々は、異なる深度センサの現実世界の劣化に対処するために2つの貢献をしている。 4つのモジュールからなる実世界のDSRのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-02T09:12:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。