WAVE逆天改命：小波变换反着来，深度超分性能暴涨，高倍数下增益最大！
WAVE: Reversing the Guidance Hierarchy for Coarse-to-Fine Guided Depth Super-Resolution
📖 AI 总结
该研究提出了一种名为WAVE的引导深度超分辨率（GDSR）新方法，旨在解决现有方法中因卷积层级固有的“细到粗”偏差而导致的边缘模糊和伪影问题。WAVE的核心创新在于引入多级离散小波变换（ML-DWT）作为显式特征控制机制，通过逆序消费子带和语义标记实现由粗到细的重建，并分别处理高频与低频内容，从源头过滤误导性的RGB颜色和纹理线索。该方法将结构与细节重建分离为专用模块，利用语义门控和可逆耦合机制增强多模态融合的稳定性。实验表明，WAVE在多个基准数据集上达到或超越现有方法，尤其在高上采样倍数下优势显著，此时低分辨率深度图像的结构信息最为匮乏。
🔑 关键词速览
| Guided depth super-resolution (GDSR) | 引导式深度超分辨率，利用RGB图像作为引导来增强低分辨率深度图的分辨率。 |
| Multi-level discrete wavelet transform (ML-DWT) | 多级离散小波变换，将图像分解为不同频率的子带，用于显式控制特征。 |
| Coarse-to-fine reconstruction | 从粗到细的重建，先恢复整体结构再细化细节。 |
| Semantic gating | 语义门控，利用语义信息控制高频特征的传递。 |
| Invertible coupling mechanism | 可逆耦合机制，一种融合多模态特征的方法，防止信息塌缩到单一模态。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅