面向涂抹点去除的自标注三维几何学习方法
计算机视觉与模式识别
2023-11-16 v1
摘要
在提升消费级稠密深度传感器精度与质量方面已取得显著进展。然而，仍存在一种常见的深度像素伪影，我们称之为涂抹点（smeared points）。这些点不在任何三维表面上，通常作为前景与背景物体之间的插值出现。由于它们造成虚构表面，这些点有可能损害依赖深度图的应用。统计离群点去除方法在去除这些点时表现不佳，因为它们往往也会移除真实的表面点。基于训练网络的去除点方法难以获取充足的标注数据。为此，我们提出一种全自标注方法来训练涂抹点去除分类器。我们的方法依靠从多视角收集三维几何证据，自动检测并标注涂抹点与有效点。为验证方法有效性，我们提出一个新基准数据集：Real Azure-Kinect数据集。实验结果与消融研究表明，我们的方法优于传统滤波器与其他自标注方法。我们的工作已公开于 https://github.com/wangmiaowei/wacv2024_smearedremover.git。
引用
@article{arxiv.2311.09029,
title = {Self-Annotated 3D Geometric Learning for Smeared Points Removal},
author = {Miaowei Wang and Daniel Morris},
journal= {arXiv preprint arXiv:2311.09029},
year = {2023}
}
备注
The paper is accepted at WACV2024(https://wacv2024.thecvf.com/)