基于图结构几何注意力的时间飞行深度去噪
计算机视觉与模式识别
2025-07-01 v1
摘要
时间飞行(ToF)传感器捕获的深度图像容易受到噪声干扰，需要进行去噪以满足可靠的后续应用。以往的研究要么关注单帧处理，要么在不考虑跨帧对应像素深度变化的情况下进行多帧处理，导致时域不一致和空间歧义。本文提出一种新颖的ToF深度去噪网络，利用运动不变图融合同时增强时域稳定性和空域锐度。具体而言，尽管跨帧存在深度偏移，图结构 exhibits 时序自相似性，可实现跨帧几何注意力图融合。随后，结合图像平滑先验和源自ToF噪声分布的数据保真项，我们构建了一个ToF去噪的最大似然后验问题。最终，该问题的解被展开为迭代滤波器，其权重由基于图结构的几何注意力自适应学习，产生高性能且可解释的网络。实验结果表明，所提方法在合成DVToF数据集上在准确性和一致性方面实现了最佳性能，并在真实Kinectv2数据集上表现出稳健的泛化能力。源码将发布于\href{https://github.com/davidweidawang/GIGA-ToF}{https://github.com/davidweidawang/GIGA-ToF}。
引用
@article{arxiv.2506.23542,
title = {Consistent Time-of-Flight Depth Denoising via Graph-Informed Geometric Attention},
author = {Weida Wang and Changyong He and Jin Zeng and Di Qiu},
journal= {arXiv preprint arXiv:2506.23542},
year = {2025}
}
备注
This paper has been accepted for publication at the International Conference on Computer Vision (ICCV) 2025