随着人工智能的发展,场景几何信息的获取,例如深度图像,对高级计算机视觉任务有重要的作用,其被广泛应用于虚拟现实、无人驾驶等领域。目前主流的深度图像获取方法有两种,一种是通过立体匹配算法生成深度图像,这种方法对低纹理和遮挡区域的匹配效果不佳,另一种是通过To F传感器等设备主动感知深度值,这种方法受限于设备成本,获得的深度图像分辨率低且带有噪声。因此,为满足热门视觉任务需求,深度图像增强需求极为迫切。现有研究表明,纹理图像指导的深度图像增强算法在大重建尺度下依然具有鲁棒的性能。本文以高分辨率纹理图像特征为指导,提出基于先验指导的深度图像增强深度模型,主要创新性研究如下。一方面,目前主流模型利用深层的网络结构、优化梯度流和特征重用等方法引入纹理图像指导特征,然而,黑盒式特征提取方式难以保证纹理指导特征的鲁棒性。由于纹理特征和深度特征在梯度域具有更高的相似度,本文提出显式结合梯度特征和纹理特征的深度图像增强模型。该模型采用渐进式上采样结构,在每个上采样阶段,首先由纹理特征指导低分辨率深度特征和梯度特征,然后,深度特征和梯度特征相互融合指导,以充分利用梯度先验。充分的实验证明本文提出的方法与先进模型的性能相比,在客观和主观评估上均有提升。另一方面,现有的主流模型在引入先验指导信息时,往往使用简单的通道维度合并和空间共享卷积核的方式挖掘纹理指导特征。此外,基于单向由粗到细的特征多尺度重构框架,即仅从低分辨率特征逐步重构高分辨率特征,容易在大重建尺度下出现误差累积现象。为解决以上问题,受到传统三边滤波器理论启发,本文设计了一个新颖的联合三边滤波模块,以实现纹理特征和深度特征的自适应融合。为提升模型的效率和泛化性,本文提出学习指导域特征和目标域特征的核生成函数以自适应地生成卷积核,取代直接学习单个卷积核的方式。此外,本文显式引入特征“回看”机制,即高分辨率特征对低分辨率特征的指导作用,其基于联合三边滤波模块的变体,对分辨率不同的跨尺度深度特征进行融合,实现低分辨域和高分辨域特征的双向指导,有效缓解随多尺度特征重构的误差累积效应。在主流合成数据集和真实数据集上进行了充分的实验,证明本文提出的模型与最先进的模型相比,在平衡参数量和复杂度的情况下,指标和视觉结果都有明显提升。