本研究提出了一种图像引导深度补全的方法，利用深度学习的技术和经典的优化算法，将常见深度补全网络中的最后一层 $1 imes 1$ 卷积替换成最小二乘拟合模块，将隐式深度基于给定的稀疏深度测量进行权重计算，同时我们还将该方法自然地推广到多尺度形式以提高自监督训练的性能，在多个数据集上的实验证实相比基准方法，本方法能够在小型计算量的情况下实现良好性能。

Dec, 2019

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

通过假设 3D 场景由分段平面组成，本文提出了针对单目深度估计和补全任务的新型物理（几何）推动深度学习框架。我们通过估计表面法线和平面到原点的距离图或补全稀疏表面法线和距离图作为中间输出，提出了一个法线 - 距离模块。同时，通过开发出平面感知一致性约束来规范化表面法线和距离图，并将其转换为深度图。此外，还集成了一个额外的深度模块来增强所提出框架的鲁棒性。在 NYU-Depth-v2、KITTI 和 SUN RGB-D 数据集上的大量实验表明，我们的方法在单目深度估计和补全任务方面胜过了先前的最先进竞争方法。

Nov, 2023

本文提出了一种基于神经网络的方法，将双目摄像机的立体匹配与双像素传感器的立体匹配相结合，以实现精准的景深图像，避免了前人研究中存在的模糊和匹配错误等问题，该方法对计算机摄影应用具有重要意义。

Mar, 2020

提出了一种基于深度系数（Depth coefficients，DC）的深度完形填空方法，使用交叉熵损失替换均方误差损失可以改善深度完整性和抑制深度掺杂，从而提高基于深度的物体检测性能。

Mar, 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

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

本文提出了基于不确定性驱动的深度补全方法，采用 Jeffrey's prior 作为鲁棒深度补全的明确不确定性公式，同时结合参数化不确定性驱动损失函数进行预测并进行像素性的自适应预测，实现高峰值信噪比、均方误差和归一化均方误差等关键指标上的表现的提升，并利用多尺度联合预测模型提取出深度和不确定度，并利用估计的不确定度进行像素级高不确定度的预测，从而实现深度筛选优化。

Dec, 2021

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