Depth map super resolution grounded in the multi-dimensional collaborative guidance

Xiaofei Zhou

doi:10.1016/j.neunet.2026.109551

Depth map super resolution grounded in the multi-dimensional collaborative guidance

2026-08-29

0

PRE

AI

DOI：10.1016/j.neunet.2026.109551

原文链接

原文求助

摘要

En 中文

RGB图像引导的深度图超分辨率旨在借助对应的HR RGB图像，从LR深度图输入中重建高分辨率（HR）深度。卷积方法由于感受野有限，往往难以保持全局一致性，而基于Transformer的模型在HR数据上会产生高昂的计算成本。此外，简单的跨模态融合策略在RGB和深度模态未对齐时，常常引入纹理复制伪影或边缘模糊。为解决这些挑战，我们提出了一种多维协同引导网络（MCGNet），一种结合了状态空间模型（SSM）效率与多维引导的新型框架。首先，我们构建了一个采用SSM作为重建骨干的空间重建模块。该模块利用SSM的线性复杂度来建模长距离依赖，确保在大范围平滑区域中结构一致地恢复深度，而无需自注意力带来的沉重负担。其次，我们引入了一个空间-频率协同引导模块，利用傅里叶变换在频域中融合RGB和深度特征，能够显式利用高频RGB细节来细化深度边缘，同时保留低频深度结构。第三，开发了一个LR-HR映射特征引导模块，以弥合分辨率差距，将尺度感知的RGB先验注入深度解码流，以促进精确的LR-HR映射学习。在基准数据集上的大量实验表明，我们的方法在定量和定性上都达到了最先进的性能。

Keyword:

Depth map

Mamba

RGB-D images

Dual-domain

Cascaded architecture

Structural prior

Super-resolution,

Depth map super resolution grounded in the multi-dimensional collaborative guidance

摘要

期刊

机构

引用论文