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

本文提出了一种新的端到端模型，以 RGB 和稀疏深度为输入，联合执行语义分割和深度完成，通过实验表明将语义分割和深度完成结合在一个多任务网络中可以有效提高每个任务的性能。

Sep, 2022

本文介绍了通过深度网络进行 RGB-D 图片的深度补全，该方法的精度比直接补全深度更高，可应用于大多数物体表面甚至透明、光亮及遥远表面的深度补全。

Mar, 2018

本研究提出了一种基于深度学习的方法来进行深度融合，可以更好的处理深度图像数据中的噪声和异常值，并能够完整地重建三维物体形态，并且能够填补穴洞，具有更好的性能表现。

Apr, 2017

通过使用 2D 和 3D 注意力，提出了一种新颖的方法，实现了高精度的深度完成，无需迭代空间传播，该方法在深度完成模型中应用 2D 特征和 3D 点云处理，从而达到了与基于变压器的模型相当的性能，并通过正规化技术和全局注意力改进了学习和准确性。

Mar, 2024

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

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

本研究使用自我关注机制和边界一致性来提高深度补全图的质量和结构，已验证其在 Matterport3D 数据集上优于现有深度补全算法。

Aug, 2019

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

介绍了一种联合训练 3D 目标检测和单目稠密深度重建神经网络的方法，通过 LiDAR 点云和单个 RGB 图像生成物体姿态预测和密集重建深度，其中 LiDAR 点云被转换为一组体素并使用 3D 卷积层提取特征，通过另一个 2D 卷积神经网络提取相应的 RGB 图像特征，并使用这些组合特征来预测密集深度图。

Apr, 2021