本文提出了一种统一的 CNN 框架来规范化深度完成，通过模拟深度与表面法线之间的几何约束，预测稀疏 LiDAR 输入的置信度，以隔离噪声的影响，以实现从稀疏深度图恢复密集深度图的目标，我们在 KITTI 深度完成数据集和 NYU-Depth-V2 数据集上进行了大量实验，证明了我们的方法达到了最先进的性能。
Oct, 2019
本文提出 3dDepthNet，采用新颖的 3D-to-2D 粗 - 细双重加密设计，通过点云补全和编码解码结构完成深度图像的生成，旨在用于机器人和自动驾驶等领域，实验表明其有效性和高效性。
Mar, 2020
本研究提出了一种新颖的实时伪深度引导深度补全神经网络 DenseLiDAR，利用形态操作得到的稠密伪深度图在三个方面指导网络，取得了最先进的性能，并在 KITTI 3D 对象检测数据集上实现了 3-5％的性能提升，这说明了深度完成结果可以用于改善相关下游任务的潜力。
Aug, 2021
基于激光雷达测量数据和相机图像，本研究提出了一种深度补全算法，通过插值和填充稀疏深度值来提高深度图像的分辨率，并使用时间算法从以往时间步中获取信息利用循环神经网络的方式来修改 PENet 方法，实现了对 KITTI 深度补全数据集的最新成果，相较于原有的神经网络参数和浮点运算仅增加不到 1% 的额外开销，尤其在远处物体和包含少量激光深度样本的区域中准确性得到了显著提高，甚至在没有任何地面真实数据的区域（如天空和屋顶）也观察到了巨大的改进，而这些改进并未被现有的评估指标所捕捉到。
Jun, 2024
本研究提出了针对稀疏深度图的深度补全方法，采用深度回归学习模型，通过自监督训练框架实现对稀疏深度图的快速、精准深度补全，实验结果表明本方法在 KITTI 深度补全基准测试中获得了最佳结果。
Jul, 2018
该论文介绍了一种处理稀疏深度数据的方法，它可以完成深度补全和语义分割，且具有网络鲁棒性，适用于包括 8 层雷达在内的密度极低的场景，并在 KITTI 深度补全基准测试中表现出优越性能。
Aug, 2018
使用压缩学习框架和深度卷积神经网络（DCNN）联合优化维度缩减算子和实现三维反演编码 - 解码器的方法，以极少量的地震源进行预堆叠数据的三维地震反演，通过学习稀疏二进制感知层来实现维度缩减，并保持与使用整个数据集获得的三维重建质量相当的回归任务效果。
Oct, 2023
我们提出了一种新的无损校准的 3D 至 2D 转换方法，使压缩算法能够高效利用二维表示中的空间相关性，通过常见的图像压缩方法和利用递归神经网络的自监督深度压缩方法对结构化表示进行压缩，还对 LiDAR 的强度测量值进行密集二维表示，并提出了一种评估压缩性能的新指标。与基于通用八叉树点云压缩或基于原始点云数据压缩的方法相比，我们的方法在定量和视觉性能上取得了最佳效果。
Feb, 2024
本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法，用于 3D 点云分类，同时在 ISPRS 3D 标注基准上实现了新的最优性能。
本文尝试借助深度网络解决压缩感知中的采样效率和信号恢复的问题，通过训练一个采样矩阵和设计一个类似于压缩感知重构过程的深度网络，我们的实验结果显示，我们的方法相较于现有技术提供了显著的质量提高。
Jul, 2017