ECCVJul, 2021

RigNet: 用于深度完成的重复图像引导网络

PDF
TL;DR本研究提出了一种基于图像引导的神经网络，在处理深度不完整的情况下，通过引入重复设计和小时 glass 网络和动态卷积技术，提高了深度预测精度，在 KITTI 基准测试和 NYUv2 数据集上均取得了优越或有竞争力的结果。
depth completionimage guided learninghourglass networkdynamic convolutionkitti benchmark
发现论文，激发创造
  • RigNet++：高效的重复图像引导深度完成网络

    通过引入高效的重复设计和卷积分解技术，我们提出了一种图像引导的网络方法，有效地从稀疏图像中逐步恢复出密集的深度图，实验结果在多个数据集上都达到了优秀的效果。

    Sep, 2023

  • 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

  • 自动驾驶中基于图像导向的深度补全的简明有效网络

    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

  • 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

  • AGG-Net：基于注意力引导的门控卷积网络用于深度图像补全

    基于轻型 RGBD 相机的立体视觉在各个领域中被广泛应用，本文提出了一种基于注意力引导门卷积网络（AGG-Net）的深度图像补全新模型，通过从原始深度图和相应的 RGB 图像中获取更准确可靠的深度图，实验结果表明我们的方法在流行的评估基准 NYU-Depth V2，DIML 和 SUN RGB-D 上优于现有方法。

    Sep, 2023

  • DenseLiDAR: 一种实时的伪稠密深度导向深度补全网络

    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

  • 基于 RGB 引导和不确定性的稀疏嘈杂 LiDAR 完整

    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

  • PENet：面向精确高效图像引导的深度完形补齐

    本文提出了一种基于图像引导的深度完成任务的融合方法，该方法利用了颜色模态和深度模态，采用双分支骨干网络融合不同的模态，并结合几何卷积编码 3D 几何信息，进而在 KITTI 深度完成在线排行榜中取得了第一名的成绩。

    Mar, 2021

  • 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

    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。

    Feb, 2019

  • 利用深度法线约束的稀疏 LiDAR 数据深度补全

    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