Jan, 2024

增强型三维人脸识别的深度图去噪网络和轻量级融合网络

PDF
TL;DR基于深度传感器的三维人脸识别（3D FR）随着其可用性的增加而引起越来越多的关注，本文介绍了一种创新的基于去噪隐式图像函数的深度图去噪网络（DMDNet），以减少噪声并增强低质量的三维人脸深度图像的质量。在使用 DMDNet 生成清晰深度面部图像后，我们进一步设计了一个强大的识别网络，称为轻量级深度和法线融合网络（LDNFNet），它结合了多分支融合模块，学习了不同模态（如深度和法线图像）之间独特且互补的特征。我们在四个不同的低质量数据库上进行了全面的实验证明了我们提出方法的有效性和鲁棒性。此外，当结合 DMDNet 和 LDNFNet 时，我们在 Lock3DFace 数据库上实现了最先进的结果。
3d face recognitiondepth sensorsdmdnetldnfnetlow-quality 3d fr
发现论文，激发创造
  • 基于融合网络的亮度、深度和颜色信息用于语义分割

    本文提出了一种名为 LDFNet 的新型解决方案，通过融合网络来综合利用亮度，深度和颜色信息，以提高 RGB-D 语义分割任务的性能，实验表明其潜力和适用性

    Sep, 2018

  • 通过精细面部深度生成和 RGB-D 互补特征学习来提高 2D 面部识别

    本文提出了一种 Fine-grained 面部深度生成网络和改进的多模式补充特征学习网络，实验结果表明，该方法可提高 RGB-D 面部识别的准确性并实现最先进性能。

    May, 2023

  • DNF-Net：用于网格去噪的深度正常滤波网络

    本文引入一种深度法线滤波网络（DNF-Net）来进行网格去噪，该网络能够从局部 patch 中提取数据以更好地捕捉局部信息，并通过多尺度特征嵌入单元、残差学习策略和深度监督联合损失函数实现去噪，相比于以往的数据驱动型网格去噪方法，DNF-Net 无需人工特征输入且能够更好地利用训练数据，在合成和现实扫描网格上的实验表明了其优越性。

    Jun, 2020

  • 使用核范数和学习图模型进行深度图像去噪

    本文提出了一种基于群体图核范数和学习图的深度图像去噪算法，通过分组来挖掘图像内在低秩特性，在去噪过程中加入了拓扑结构来表达平滑先验。实验结果表明，该方法在主客观指标上均优于当前的其他去噪方法。

    Aug, 2020

  • 使用引导注意力的网络进行从单张图片中保留细节的深度估计

    该论文提出了一种卷积神经网络模型，由密集特征提取器（DFE）和深度图生成器（DMG）组成，利用注意力机制融合 DFE 产生的多尺度特征，可以快速且准确地预测深度图，同时在结构细节方面保持了更好的性能表现。

    Sep, 2018

  • 使用单个双像素相机进行面部深度和法向估计

    本文介绍了一个 DP Depth/Normal 网络，通过收集超过 135K 张 DP 面部数据实现了 3D 面部几何重建，该网络具有自适应采样模块和自适应法线模块，可处理 DP 图像中的虚焦模糊区域，并实现了是取得最新的 DP-based 深度 / 法线估计方法的最优表现，同时也展示了该面部深度 / 法线估计在面部欺骗和光照方面的应用。

    Nov, 2021

  • FFDNet: 基于 CNN 快速灵活的图像去噪解决方案

    提出了一种快速而灵活的去噪卷积神经网络 FFDNet，具有可调的噪声等级映射作为输入，能够处理各种噪声水平并能去除空间变异噪声，且速度快于 BM3D。

    Oct, 2017

  • 基于深度品质启发的特征操作，用于高效的 RGB-D 显著性对象检测

    本文提出了一种基于深度图像质量的特征处理方法（DQFM）和一种高效的轻量级模型（DFM-Net），用于 RGB-D 显着目标检测，通过跨模态融合来增强深度质量，并在非常高效的情况下实现了最先进的精度和性能。

    Jul, 2021

  • 基于知识蒸馏的单幅图像多重降噪和重建网络

    本文提出了一种轻量级的多重退化和重建网络 (MDRN)，通过引入两种新颖的异构知识蒸馏策略 (HMDS)，使得 MDRN 能够在极端情况下去除噪声并重建高质量的去噪图像，相较于其他单幅图像去噪方法 MDRN 具有更少的参数且更优秀的性能。

    Apr, 2022

  • RGB-D 融合：基于图像条件的人型主体深度扩散

    RGB-D-Fusion 模型使用条件去噪扩散概率模型从人类主体的低分辨率单眼 RGB 图像生成高分辨率深度图，并引入深度噪声增强技术以提升超分辨率模型的鲁棒性。

    Jul, 2023