从合成数据中学习拓扑结构用于无监督深度补全
本文提出一种利用相机运动和视觉惯性测距系统估算的稀疏深度来推断密集深度的方法，采用预测性跨模态标准，通过构建场景的分段平面脚手架来推断密集深度，并在 KITTI 深度完成基准上表现出最先进的性能。
May, 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
本研究提出了一种基于 3D 感知特征和多视角几何一致性的高精度自监督深度完成方法，通过构建 3D 感知空间传播算法和引入多视角几何约束，实现了无监督下的高精度深度完成，并在 NYU-Depthv2 和 VOID 等评测数据集上取得与有监督方法相媲美的性能。
Dec, 2023
我们提出了一种在不同光照条件下进行深度估计的方法，该方法通过多传感器融合的方式解决了低照度区域光度学信息不足的问题。我们的方法利用丰富的合成数据首先近似了三维场景结构，并通过学习从稀疏到（粗糙的）密集深度图的映射及其预测不确定性来引导深度的精修，从而提高了稀疏深度处理的效果。我们在 nuScenes 数据集上展示了该方法在不同场景中的改进表现。
May, 2024
使用深度学习估计 3D 中由稀疏、无序点云场景表示的流形的拓扑结构，通过合成的标记数据集训练神经网络并评估其估计流形的层面的能力，与基于持续同调的现有拓扑数据分析工具相比，探讨了深度学习模型提取这些特征的优势，并使用语义分割提供额外的几何信息以及拓扑标签，比较了常见的点云多层感知机和 Transformer 网络的可行性，在模拟数据上的实验结果支持假设，即在复杂的合成数据生成帮助下，神经网络能够执行基于分割的拓扑数据分析，尽管研究集中在模拟数据上，但所达到的准确性暗示了未来使用实际数据的潜力。
Sep, 2023
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 3D 合成环境和 CycleGAN 域转换的数据生成方法与常见的 NYUDepth V2 数据集相比，通过使用不同的真实和模拟数据集训练基于 DenseDepth 结构的深度估计模型，我们评估了模型在新采集的图像和 Husky 机器人的 LiDAR 深度数据上的性能，证明了 GAN 转换的数据在深度估计中可以作为有效的替代真实世界数据的方法。
May, 2024
我们提出了一种方法来从彩色图像和相关稀疏深度测量中推断出密集的深度图。我们采用自适应加权方案，结合正则化和共视性关系，利用每个像素点的残差来指导优化过程，以提高训练性能。该方法有效地应用于多种无监督深度完成方法，并在公共基准数据集上改善其性能，不会产生额外的可训练参数或增加推理时间。
Jun, 2021
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