面向压缩深度图超分辨率的细节与全局几何解耦

由于消费级深度相机的局限性以及数据传输过程中的带宽限制，从压缩源中恢复高质量深度图受到了广泛关注。然而，当前方法仍面临两个挑战。首先，位深压缩在具有细微变化的区域产生均匀的深度表示，阻碍了细节信息的恢复。其次，密集分布的随机噪声降低了估计场景全局几何结构的准确性。为了应对这些挑战，我们提出了一种新颖的框架，称为几何解耦网络 (GDNet)，用于压缩深度图超分辨率，通过分别处理全局和细节几何特征来解耦高质量深度图重建过程。具体而言，我们提出了精细几何细节编码器 (FGDE)，旨在聚合高分辨率低级图像特征中的精细几何细节，同时利用来自低分辨率上下文级图像特征的互补信息来丰富它们。此外，我们开发了全局几何编码器 (GGE)，旨在通过在低秩空间中构建紧凑的特征表示来有效抑制噪声并提取全局几何信息。我们在多个基准数据集上进行了实验，证明我们的 GDNet 在几何一致性和细节恢复方面显著优于当前方法。在 ECCV 2024 AIM 压缩深度图上采样挑战赛中，我们的解决方案获得第一名。我们的代码可在以下网址获取：https://github.com/Ian0926/GDNet。