-
题名基于深度语义扩散的深度图修复:缺陷数据集与模型
- 1
-
-
作者
闫涛
李彤
张江峰
钱宇华
陈路
吴鹏
-
机构
山西大学大数据科学与产业研究院
演化科学智能山西省重点实验室
-
出处
《自动化学报》
北大核心
2025年第11期2498-2519,共22页
-
基金
国家自然科学基金(T2495250,T2495251,62136005,62472268,62373233)
中央引导地方科技发展资金项目(YDZJSX2023C001,YDZJSX2023B001)资助。
-
文摘
深度修复旨在解决三维重建过程中深度图的缺失、噪声和遮挡问题.然而,由于深度图来源的多样性和异质性,现有的深度修复方法难以对复杂场景结构及未知类型深度缺陷实现有效修复.针对上述问题,不同于现有方法单纯从提升算法鲁棒性的角度进行研究,从深度缺陷数据集构建的逆向视角出发,构建一种真实缺陷采样仿真RDSS数据集,并在此基础上提出一种基于深度语义扩散的深度图修复模型DR-Net.RDSS数据集通过对真实缺陷的采集与建模,结合同质化形变拓展和异质化交叉组合,能够对多种复杂场景中的深度缺陷进行形式化仿真,有效提升深度缺陷的多样性和场景的覆盖性.设计的深度图修复模型DR-Net基于U型网络结构,利用反向透射模块实现高分辨率细节保持的同时,通过深度语义扩散模块传播图像中的深度语义信息,进而有效提升修复性能.实验结果表明:以RDSS数据集为基准训练数据集,可实现在其他数据集中深度图的有效修复.此外,与最先进的模型设计类修复方法SDFilter和数据驱动类修复方法G2相比,DRNet模型在RDSS、NYU Depth V2和KITTI三类数据集上的均方根误差指标分别平均下降24.85%和29.54%,验证了DR-Net模型的有效性和先进性.
-
关键词
深度图修复
柏林噪声
真实深度缺陷采集
深度语义扩散
深度缺陷数据集
-
Keywords
depth map repair
Perlin noise
real depth defect collection
depth semantic diffusion
depth defect dataset
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
