典型文献
结合高低频分解和多尺度两级融合策略的单一深度图去噪方法
文献摘要：
现有的很多基于神经网络的深度图去噪方法忽略了深度图结构信息和细节信息之间的差异性,导致这些方法往往无法准确地恢复深度图的几何结构信息.为此,提出一种结合图像高低频分解和多尺度两级融合策略的单一深度图去噪方法.首先,考虑到不同噪声的差异性,引入多尺度高斯滤波器将含噪声的深度图分解为一组低频结构分量和一组高频细节分量.其次,考虑到低频结构信息和高频细节信息的互补特性,将这两组分量分别输入到基于多尺度两级融合的低频特征提取网络和高频特征提取网络,并且提出在这两个网络之间使用互补的特征加权融合机制进行多级特征融合和反馈.最后,对高低频特征提取网络输出的高低频增强特征,使用高低频合并重建模块进行残差预测,再将其与输入图相融合得到高质量的深度图.实验结果表明,在峰值信噪比、均方根误差、结构相似性和综合性能对比方面,本文方法比多个主流的深度图去噪方法如ARCNN、Fast ARCNN、DnCNN、ADNet和FFDNet拥有更好的性能.
文献关键词：
深度图去噪;图像分解;多尺度融合;深度神经网络
中图分类号：
作者姓名：
赵利军;王可;张晋京;白慧慧;赵耀
作者机构：
太原科技大学电子信息工程学院,太原 030024;中北大学大数据学院,太原 030051;北京交通大学计算机与信息技术学院,北京 100044
文献出处：
引用格式：
[1]赵利军;王可;张晋京;白慧慧;赵耀-.结合高低频分解和多尺度两级融合策略的单一深度图去噪方法)[J].北京交通大学学报,2022(05):30-41
A类：
深度图去噪,ARCNN,ADNet,FFDNet
B类：
两级融合,融合策略,去噪方法,图结构信息,细节信息,几何结构,高斯滤波器,结构分量,高频细节,互补特性,别输,特征提取网络,特征加权,加权融合,融合机制,多级特征融合,高低频特征,残差预测,峰值信噪比,结构相似性,性能对比,比方,Fast,DnCNN,图像分解,多尺度融合,深度神经网络
AB值：
0.248532
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
