RigNet++:高效的重复图像引导深度完成网络
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。
Jul, 2021
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
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
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
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
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
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
本文介绍了一种从 RGBD 数据中完成深度完成的简单且有效的神经网络块,该块能够学习提取联合的 2D 和 3D 特征,并成功地在 KITTI 深度完成基准测试中取得了优异的表现。
Dec, 2020
本文提出一种高效紧凑的深度神经网络来进行 RGB-D 显着目标检测,首先通过从头学习构建轻量级深度流提取有效特征,然后使用指导残差块交替地将 RGB 和深度特征输入,通过分层指导减少互相降解并提高效率,大量实验结果表明该模型在精度和效率方面相对于现有方法均有改进。
Aug, 2020