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

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

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

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

本文提出了一种新的自监督单目深度估计方法，结合几何学和一种新的深度学习网络 PackNet，使用无标签的单目视频进行学习。我们的方法使用了新的对称打包和解包块以共同学习使用 3D 卷积压缩和解压缩保留细节的表示。虽然是自监督的，但我们的方法在 KITTI 基准测试中优于其他自监督、半监督和全监督方法。PackNet 中的三维归纳偏差使其能够随着输入分辨率和参数数量的扩展而扩展，而不会过拟合，在 NuScenes 数据集等域外数据上具有更好的泛化性能。此外，此方法不需要在 ImageNet 上进行大规模监督预训练，并且可以实时运行。最后，我们发布了 DDAD（用于自动驾驶的稠密深度）数据集，该数据集使用全球自动驾驶车队上安装的高密度 LiDAR 产生的长距离和更加密集的地面真实深度进行评估。

May, 2019

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