Feb, 2019

DFuseNet: RGB 和稀疏深度信息的深度融合，用于图像引导的密集深度完成

PDF
TL;DR本文提出了一种卷积神经网络，它可以基于高分辨率强度图像得出上采样一系列稀疏范围测量的上下文线索，并且在网络中分离、融合两种模态的上下文线索，旨在利用两种模态之间的关系来产生准确的结果，同时尊重显著的图像结构。通过实验结果表明，该方法与当前最先进的方法相媲美，并可在多个数据集上进行有效泛化。
发现论文，激发创造
  • 室内深度补全的 RGB-Depth 融合 GAN

    本文提出了一种基于深度信息补全技术，使用 RGB 图像和不完整的深度图像进行输入，设计了一种新的两支分支端对端融合网络，其中一个支路使用编码器 - 解码器结构从原始深度图中对局部密集深度值进行回归，另一个分支提出了一种 RGB 深度融合 GAN，通过自适应融合模块和置信度融合头来融合这两个分支的输出，从而实现了对室内环境中丢失深度数据的精确补全。

    Mar, 2022

  • 3dDepthNet: 基于点云引导的深度补全网络，用于稀疏深度和单色图像

    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

  • 学习引导的卷积网络用于深度填充

    该研究论文设计了一种基于引导网络和卷积分解的多模态特征融合方法，旨在实现在自动驾驶等机器人应用中高精度的深度图像恢复。该方法针对现代 LiDAR 传感器只能提供稀疏深度测量的问题，通过使用同步引导 RGB 图像，并从引导图像中预测核权重，以此来提取深度图像特征，该方法能够高效准确地处理深度数据恢复，具有很高的实用价值和应用前景。

    Aug, 2019

  • 使用 CNN 处理稀疏和密集数据：深度补全和语义分割

    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

  • 学习高效的多模态深度完成模型

    本文提出了一种轻量的深度完成网络，包括两个分支全局和局部深度预测模块和漏斗卷积空间传播网络，通过轻量级骨干提取和融合交叉模式特征，改进了空间传播模块可以逐步改善修饰后的深度图，解决了 RGB 图像引导的稀疏深度完成问题，通过修正的梯度损失解决了深度完成问题，并在 MIPI2022 RGB + TOF 深度完成挑战中获得了冠军。

    Aug, 2022

  • 基于融合网络的亮度、深度和颜色信息用于语义分割

    本文提出了一种名为 LDFNet 的新型解决方案，通过融合网络来综合利用亮度，深度和颜色信息，以提高 RGB-D 语义分割任务的性能，实验表明其潜力和适用性

    Sep, 2018

  • 基于特征融合的粗到细残差学习用于深度补全的 FCFR-Net

    提出了一种基于残差学习的端到端深度完成框架，其将深度完成分为两个阶段进行训练，即粗 - 精阶段，并利用颜色图像和粗深度图提取了表示特征和进行了能量融合操作，将 KITTI 基准下的平均 RMSE 性能提高至当前最先进技术水平以上。

    Dec, 2020

  • 室内深度填充的 RGB - 深度融合 CycleGAN (RDFC-GAN)

    使用 RDFC-GAN 模型基于 Manhattan world 假设将 RGB-D 信息转换为具有高纹理的深度图，并通过自适应融合模块 W-AdaIN 和 confidence fusion head 来解决室内深度图中大量连续缺失数据的深度完成问题。

    Jun, 2023

  • 单目图像和稀疏雷达数据的深度估计

    利用深度神经网络，通过融合单眼图像和雷达数据点，探索实现更准确的深度估计。我们对来自不同角度的 RGB 图像和雷达测量的融合进行了全面的研究，并提出了一种基于观察结果的有效解决方案。在 nuScenes 数据集上的实验表明，我们的方法优于现有的融合方法，同时我们还提供了详细的剖析研究以展示我们的方法中各组成部分的有效性。

    Sep, 2020

  • 稀疏到密集：从稀疏深度样本和单幅图像中预测深度

    本文论述了如何通过使用 RGB-D 原始数据，采用单个深度回归网络来学习来自稀疏深度范例的密集深度估计，并研究了样本数量对预测准确性的影响，提出的算法有两个应用：转换稀疏地图为密集地图和 LiDAR 的超分辨率。

    Sep, 2017