基于局部帧集点云配准过拟合训练的高精度真值深度图像生成
计算机视觉与模式识别
2022-07-27 v2
摘要
精确的三维感知是若干计算机视觉应用中的基础任务。近年来，商用 RGB-深度（RGB-D）相机因其高效的深度感知能力而被广泛采用为单视角深度感知设备。然而，由于单视角环境固有的噪声，大多数 RGB-D 传感器的深度质量仍然不足。近来，若干研究聚焦于 RGB-D 相机的单视角深度增强。近期研究提出了基于深度学习的方法，通常使用高质量监督深度数据集训练网络，这表明真值（GT）深度数据集的质量是精确系统最为重要的因素；然而，此类高质量 GT 数据集难以获取。在本研究中，我们提出了一种基于 RGB-D 流数据集的高质量 GT 深度生成新方法。首先，我们将局部空间区域中连续的深度帧定义为局部帧集。随后，采用无监督点云配准方案将深度帧对齐至局部帧集中的某一确定帧。配准参数基于过拟合训练方案进行训练，该方案主要用于为每个帧集构建单张 GT 深度图像。最终 GT 深度数据集由若干局部帧集构建而成，且每个局部帧集独立训练。本研究的主要优势在于，仅使用 RGB-D 流数据集即可在各种扫描环境下构建高质量 GT 深度数据集。此外，我们所提方法可用作精确性能评估的新基准 GT 数据集。我们在先前基准化的 GT 深度数据集上评估了我们的 GT 数据集，并证明我们的方法优于当前最优（SOTA）深度增强框架。
引用
@article{arxiv.2207.07016,
title = {Accurate Ground-Truth Depth Image Generation via Overfit Training of Point Cloud Registration using Local Frame Sets},
author = {Jiwan Kim and Minchang Kim and Yeong-Gil Shin and Minyoung Chung},
journal= {arXiv preprint arXiv:2207.07016},
year = {2022}
}
备注
10 pages, 7 figures