CVPR Calibrated RGB-D Salient Object Detection

一、摘要内容提炼

原始深度图像中常常伴随着噪声干扰以及语义模糊的问题。针对上述挑战，本文设计了一种深度校准与融合（DCF）框架，具体包含两个核心组成部分：第一部分为一种专门的学习机制，旨在修正原始深度图中存在的潜在偏差，从而增强显著性目标检测的性能；第二部分则引入了一个结构简洁且功能高效的交叉参考模块，该模块的主要作用是实现RGB图像与深度信息两种模态特征的有效整合。

二、问题界定与解决路径

1. 深度图在物体边缘区域往往存在较大的噪声干扰，这种现象可能源于深度传感器的特性以及场景布置中的多种因素，例如遮挡、反射和观察距离等；2) 即便深度信息准确无误，前景目标在深度图中与背景区域之间的差异通常较为微弱。相较于仅依赖RGB图像作为输入方式，这种特性显著制约了融合深度图所带来的性能提升潜力。

设计并提出了一种深度校准与融合（DCF）框架。该框架通过生成最优的深度值校准结果，从而直接推动显著目标检测任务的进展。所采用的方法主要包含以下几个方面的创新性贡献：构建了一个包含两个阶段的校准与融合流程。第一阶段旨在对深度图像进行校准处理，并修正原始深度图中存在的潜在误差；第二阶段则引入了一个高效的交叉引用模块（CRM），用于整合来自RGB图像和经过校准后的深度信息流中的特征表达。

三、整体框架结构

![](https://ad.itadn.com/c/