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
深度补全是自动驾驶中关键的任务之一,旨在将稀疏的深度图转化为密集的深度预测。通过基于 RGB 图像的融合,我们提出了一种简洁而有效的网络结构 CENet,实现了高性能深度补全,具有优秀的准确性和效率。
Jan, 2024
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
提出了一种新的方法,利用 RGB 图像指导生成稀疏的 LiDAR 地图的精确深度预测,通过融合 RGB 图像引导可以提高深度预测的准确性。该方法的实现在 KITTI 深度完成基准测试中得到了最佳成绩。
Feb, 2019
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
研究了如何从单个 RGB 图像中预测密集深度,并引入了新的 Sparse Auxiliary Networks 模块来同时执行深度预测和补全任务。在室内和室外数据集上的实验结果表明,该模块能够同时学习两个任务,并在深度预测方面取得重大进展。
Mar, 2021
本文提出了一个深度神经网络架构,通过从单个彩色图像和稀疏深度产生准确的密集深度,实现了室外场景的景深感知。该网络以表面法向量为中间表示来产生密集深度,并可进行端到端的训练。利用修改后的编解码器结构,该网络有效地融合了密集的彩色图像和稀疏的 LiDAR 深度。
Dec, 2018
本文提出一种增强单眼深度估计的方法,该方法采用 3D 点作为深度指导,并引入一种轻量级、高效的多尺度 3D 点融合网络,能够处理极其稀疏和不均匀分布的点云,实现了高精度深度估计。该方法优于当前一些基于深度学习的多视角立体和结构从运动方法,不仅精度更高,而且压缩性更好。
Dec, 2020
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
该研究提出了一种基于多尺度编码器 - 解码器网络的方法,可以有效处理 LIDAR 测量得到的稀疏深度图,并将 RGB 信息融合到模型中,实现密集深度估计。实验证明,在权威的 KITTI depth completion 领先榜中,该方法表现出色。
Aug, 2018