Apr, 2022

SemAttNet: 基于注意力的语义感知引导深度完成

PDF
TL;DR本文提出一种新的三支架构解决深度补全问题，其中包括颜色导向的、语义导向的和深度导向的分支；同时使用基于多模态注意力融合的方法来融合三支架构，从 RGB 图像、稀疏深度图和语义图中预测出密集深度图。经过广泛的实验证明，在 KITTI 深度补全基准测试中取得了最先进的性能。
depth completionrgb imagesemantic-guidedcolor-guidedsammafb
发现论文，激发创造
  • 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

  • SemSegDepth: 一种联合模型用于语义分割和深度完善

    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

  • 从单个深度图像进行对抗性语义场景补全

    本文提出了一种基于对抗学习的新型结构，可以从单个输入深度图像重建、完整和语义标识一个 3D 场景，通过使用多种对抗损失项来实现对内部特征的有效嵌入，同时保留了原始的 2.5D 结构以提高模型内部表示的效果。

    Oct, 2018

  • 基于多模态注意力融合的 RGB - 深度图像语义分割模型

    本文提出了一种有效的编码器 - 解码器模型和基于注意力的融合模块，以集成 RGB-Depth 图像的特征，从而提高语义分割的精度和计算效率。实验结果表明，该模型在计算成本和模型大小方面大大超越了现有的最先进模型，并且在准确性方面具有良好的性能。

    Dec, 2019

  • 来自单个深度图像的语义场景补全

    本文针对通过单视图深度图来获取场景的完整三维体素表示和语义标签的语义场景完成任务，提出了一种端到端三维卷积神经网络 SSCNet，该网络能够同时输出所有摄像机视图锥体中体素的占用和语义标签。SSCNet 使用基于扩张的三维上下文模块来高效地扩展感受野并进行三维上下文学习。实验结果表明，该联合模型比各自解决每个任务的方法表现更好，并且在语义场景完成任务上优于替代方法。

    Nov, 2016

  • 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

  • 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

  • 室内深度补全：边界一致性及自注意力

    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

  • 自适应上下文感知多模态深度补全网络

    本文提出了一种自适应上下文感知多模态网络（ACMNet），采用图传播方法从稀疏深度图像和 RGB 图像中恢复密集深度地图，实现了在 KITTI 和 NYU-v2 数据集上的最先进性能。

    Aug, 2020

  • 基于三维感知和几何一致性引导的自监督深度补全

    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