基于图的深度图去噪与去量化方法用于点云增强

三维点云通常由传感器在一个或多个视点获取的深度测量值构建而成。这些测量值同时受到量化与噪声污染的困扰。为提升质量，已有工作在将不完美的深度数据投影到三维空间后，对点云进行事后去噪。与之不同，我们在合成三维点云之前，直接在感知图像上对深度测量值进行先验增强。通过在物理感知过程附近进行增强，我们将优化定制于深度生成模型，早于那些会掩盖测量误差的后续处理步骤。具体而言，我们将深度生成建模为信号相关噪声叠加与非均匀对数量化的联合过程。所设计模型使用代表性深度传感器采集的经验数据进行了验证（并拟合参数）。为增强深度图像中的每一像素行，我们首先通过特征图学习将可用行像素间的视内相似性编码为边权。接着，我们通过视点映射与稀疏线性插值，与另一幅校正后的深度图像建立视间相似性。这导出一个凸且可微的最大后验（MAP）图滤波目标。我们使用加速梯度下降（AGD）高效最小化该目标，其中最优步长通过 Gershgorin 圆定理（GCT）近似。实验表明，在两种既定的点云质量指标上，我们的方法显著优于近期点云去噪方案与最先进的图像去噪方案。