这篇研究提出了使用卷积空间传播网络 (CSPN) 进行深度预测的方法，并通过实验展示了其在深度补全和立体匹配任务中的有效性。

Oct, 2018

本文提出了一种可变形空间传播网络，用于适应性地为每个像素生成不同的感受野和密合矩阵，从而更准确地从稀疏深度测量中恢复密集的深度地图，KITTI 深度完成基准实验结果表明我们提出的方法达到了最先进的性能。

Jul, 2020

本文提出了一种名为 DySPN 的动态空间传播网络，通过注意力机制学习像素之间的关联性，以生成 RGB 图像的密集深度图，并采用扩散抑制技术防止过度平滑。实验结果表明，在 KITTI Depth Completion 和 NYU Depth v2 数据集上 DySPN 表现优于其他 SoTA 方法。

Feb, 2022

本文提出 CSPN++ 方法，通过学习自适应卷积核大小和迭代传播次数的超参数，使得每个像素点都能动态分配上下文和计算资源，分别提出了 “上下文感知 CSPN” 和 “资源感知 CSPN”，在 KITTI 深度完成基准测试中取得了显著的精度和计算资源改进。

Nov, 2019

本研究提出了一种空间传播网络，用于学习视觉任务的亲和矩阵。通过构建行 / 列线性传播模型，可以精确构建空间变化的转换矩阵，作为精确构建全局对偶关系的亲和矩阵，从而建模图像的密集、全局对偶关系。此网络是一个通用框架，可以应用于包括图像抠图、分割和上色等多个领域。实验证明空间传播网络提供了一种生成高质量分割结果的通用、有效和高效的解决方案。

Oct, 2017

本文提出了一种图卷积空间传播网络（GraphCSPN）来完成深度补全的任务，该方法通过卷积神经网络和图神经网络的结合学习几何表示，通过可学习的几何约束规范化三维空间中的传播过程，利用特征块构建的图动态更新并加入边的注意力模块，从而更好地捕捉局部邻居特征和长距离的全局关系，使得在仅使用几个传播步骤的情况下取得了最先进的性能。

Oct, 2022

该研究提出了一种鲁棒和高效的端到端非局部空间传播网络，用于深度完成，该算法通过迭代细化初始深度预测并利用非局部邻居和对应的亲和力进行空间传播，提高了深度完成的准确性和鲁棒性，并在混合深度问题上具有较强的适应性。

Jul, 2020

通过双边传播网络（BP-Net）和多模态融合与深度精炼的多尺度框架，我们的方法在室内和室外场景上表现出色，在 NYUv2 数据集上实现了 SOTA，并在 KITTI 深度完成基准上排名第一。

Mar, 2024

本文介绍了一种新的使用深度卷积神经网络解决弱监督语义分割问题的方法，该方法使用基于类对象面积约束的单形投影，可以通用于任何 CNN 架构。实验结果表明，在只有图像级标签的弱监督情况下，将此操作应用于 CNN 的输出可以提高语义分割的准确性。

Jul, 2018

本文提出了一种代数约束归一化卷积层，可以用于处理高度稀疏的输入数据，结合深度和 RGB 信息，同时最小化数据误差和最大化输出置信度，解决场景深度补全问题，具有参数效率等优点。

Nov, 2018