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

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

激光雷达深度补全是深度估计的一个新的热门话题，在此任务中，颜色空间和深度空间的特征融合是关键和难点。本文将经典的 LSTM 和 Transformer 模块从自然语言处理迁移到深度补全中并进行相应的重新设计，通过使用遗忘门、更新门、输出门和跳跃门来实现颜色和深度特征的高效融合，并在多个尺度上进行循环优化，最后通过 Transformer 的多头注意力机制进一步融合深度特征。实验证明，我们的方法无需重复的网络结构和后处理步骤，只需在简单的编码器 - 解码器网络结构上添加我们的模块，就能达到最先进的性能。我们的方法在当前主流的自动驾驶 KITTI 基准数据集上排名第一，也可作为其他方法的主干网络，同样能达到最先进的性能。

Sep, 2023

本文提出了一种针对现实世界深度图超分辨率（DSR）的技术框架，该框架包括四个模块，并在基准数据集上进行实验表明，该方法优于当前最先进的 DSR 方法。

Jun, 2020

本研究提出一种多尺度渐进融合网络方法来处理深度图像的超分辨率问题，该方法采用异态结构用于整合不同领域的层次特征，并引入多维损失函数来约束明确的边界和细节，大量实验证明该方法在定性和定量方面均产生了优于最先进方法的改进结果。

Nov, 2020

本文介绍了一种基于 ConvLSTM 和三种不同类型深度预测网络的自监督实时单目深度估计和完成方法，能够产生一系列的深度图，该方法灵活且可与不同类型稀疏深度图案件组合使用，实验表明，我们的方法在自监督场景中始终优于其基于图像的对应方法，并且在三个流行组的深度预测方法中也表现出更好的性能。

Jan, 2020

提出了一种基于残差学习的端到端深度完成框架，其将深度完成分为两个阶段进行训练，即粗 - 精阶段，并利用颜色图像和粗深度图提取了表示特征和进行了能量融合操作，将 KITTI 基准下的平均 RMSE 性能提高至当前最先进技术水平以上。

Dec, 2020

该研究提出了一种基于多尺度编码器 - 解码器网络的方法，可以有效处理 LIDAR 测量得到的稀疏深度图，并将 RGB 信息融合到模型中，实现密集深度估计。实验证明，在权威的 KITTI depth completion 领先榜中，该方法表现出色。

Aug, 2018

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