[发明专利]深度传感器噪声

权利要求书

1.一种用于确定被配置用于将一种类型的深度传感器的噪声添加到输入深度图的函数的计算机实现的方法，所述方法包括：

形成(S20-S60)学习数据集，所述学习数据集包括多个无噪声深度图，所述无噪声深度图的每个与相应的有噪声深度图相关联，每个无噪声深度图和相应的有噪声深度图对应于一个或多个场景中的多个深度传感器定位中的相同一个深度传感器定位，所述形成包括：

利用所述类型的深度传感器的物理实例来获取(S40)每个有噪声深度图，以及

虚拟地计算(S604)每个无噪声深度图，其中，虚拟地计算(S604)每个无噪声深度图是基于对应的深度传感器定位以及对应的场景的预定模型的；以及

基于所述学习数据集来学习(S70)所述函数。

2.根据权利要求1所述的方法，其中，所述形成还包括根据所述相应的有噪声深度图来确定(S602)所述对应的深度传感器定位。

3.根据权利要求2所述的方法，其中，根据所述相应的有噪声深度图来确定(S602)所述对应的深度传感器定位包括在所述相应的有噪声深度图中识别校准对象和/或校准图案。

4.根据权利要求1至3中的任一项所述的方法，其中，所述多个深度传感器定位包括其中每个深度传感器定位都对应于来自相同场景区域的相应深度的一个或多个子多个深度传感器定位。

5.根据权利要求4所述的方法，其中，每个深度传感器定位都对应于来自相同场景区域的相应深度的每个子多个深度传感器定位包括超过10个深度传感器定位。

6.根据权利要求4所述的方法，其中，每个深度传感器定位都对应于来自相同场景区域的相应深度的每个子多个深度传感器定位包括超过50个深度传感器定位。

7.根据权利要求1至3中的任一项所述的方法，其中，多个所述有噪声深度图形成一个或多个视频。

8.根据权利要求1至3中的任一项所述的方法，其中，学习所述函数是通过回归学习来执行的。

9.根据权利要求1至3中的任一项所述的方法，其中，学习所述函数是在包括卷积层和/或解卷积层的网络的空间内执行的。

10.根据权利要求9所述的方法，其中，所述卷积层和/或解卷积层实现滤波器，每个滤波器尺寸小于10×10。

11.根据权利要求9所述的方法，其中，所述卷积层和/或解卷积层实现滤波器，每个滤波器尺寸小于5×5。

12.根据权利要求9所述的方法，其中，所述卷积层和/或解卷积层实现滤波器，每个滤波器尺寸等于3×3。

13.一种用于基于在场景中的深度传感器定位以及所述场景的预定模型来生成深度图的计算机实现的方法，所述方法包括：

基于所述深度传感器定位和所述场景的预定模型来虚拟地计算(S100)无噪声深度图；以及

将能够根据权利要求1至12中的任一项所述的方法确定的函数应用(S200)于计算出的无噪声深度图。

14.一种存储有指令的非暂时性计算机可读存储介质，所述指令当被执行时，使得计算机执行根据权利要求1至12和/或13中的任意一项所述的方法。

15.一种包括其上存储有根据权利要求14述的指令的存储器的产品。

16.根据权利要求15所述的产品，还包括耦合到所述存储器的处理器。