RADU：用于ToF数据去噪的射线对齐深度更新卷积
计算机视觉与模式识别
2022-04-21 v2
摘要
飞行时间（ToF）相机由于多路径干扰（MPI）而受到高水平噪声和畸变的影响。虽然近期研究表明2D神经网络能够在ToF数据去噪上优于先前的传统最先进（SOTA）方法，但关于利用深度图像中存在的3D信息的基于学习的方法研究甚少。本文中，我们提出了一种在3D空间中运行的迭代去噪方法，旨在通过使3D点卷积能够沿视方向修正点的位置来在2.5D数据上学习。由于该任务的标注真实世界数据稀缺，我们进一步用真实世界无标注数据的自训练方法训练我们的网络以考虑真实世界统计特性。我们证明我们的方法能够在多个数据集上优于SOTA方法，包括两个真实世界数据集和本文引入的一个新的大规模合成数据集。
引用
@article{arxiv.2111.15513,
title = {RADU: Ray-Aligned Depth Update Convolutions for ToF Data Denoising},
author = {Michael Schelling and Pedro Hermosilla and Timo Ropinski},
journal= {arXiv preprint arXiv:2111.15513},
year = {2022}
}
备注
Accepted at CVPR 2022