用于RGB-D显著目标检测的双向渐进引导网络

大多数现有的RGB-D显著检测模型更加关注深度图像的质量，而在一些特殊情况下，RGB图像的质量可能对显著性检测产生更大的影响，这一点长期以来被忽视和低估。为了解决这个问题，本文提出了一种用于RGB-D显著目标检测的双向渐进引导网络（BPGNet），其中考虑了RGB和深度图像的质量。由于通常很难事先确定哪种模态数据质量较低，因此采用基于渐进引导（PG）策略的双向框架，通过在显著性预测结果与从多模态输入数据中提取的特征之间的交替交互，提取和增强单模态特征，借助另一种模态数据。具体而言，提出的PG策略是通过使用提出的全局情境感知（GCA）、辅助特征提取（AFE）和跨模态特征增强（CFE）模块实现的。得益于提出的PG策略，输入RGB和深度图像中的干扰信息可以很好地抑制，而输入图像中的判别信息得到了增强。此外，还特别设计了一个融合预测模块（FPM），以自适应选择具有更高判别性的特征，并增强最终显著性预测的共同信息。实验结果表明，我们提出的模型与最先进的RGB-D SOD模型具有可比性。