利用深度神经网络，通过融合单眼图像和雷达数据点，探索实现更准确的深度估计。我们对来自不同角度的 RGB 图像和雷达测量的融合进行了全面的研究，并提出了一种基于观察结果的有效解决方案。在 nuScenes 数据集上的实验表明，我们的方法优于现有的融合方法，同时我们还提供了详细的剖析研究以展示我们的方法中各组成部分的有效性。

Sep, 2020

通过融合毫米波雷达和红外热像摄像机，我们提出了一种鲁棒的米制深度估计方法，能够在自动驾驶中实现高精度和细节丰富的密集深度估计。

Feb, 2024

该研究介绍了一种两阶段、端到端可训练的自信感知融合网络 (CaFNet)，用于通过将 RGB 图像与稀疏且含噪的雷达点云数据相结合，进行密集的深度估计，并通过滤除雷达噪声，提高深度图的可靠性。在 nuScenes 数据集上进行的评估表明，该方法在平均绝对误差 (MAE) 和均方根误差 (RMSE) 方面的性能优于当前领先模型 3.2% 和 2.7%。

Jun, 2024

本研究提出了一种深度估计方法，利用来自双目立体视觉和稀疏激光雷达或深度相机的测量信息。通过融合各传感器的优势，即精确但稀疏的测量信息和模糊但密集的立体信息，并采用各向异性扩散和半全局匹配技术进行有效地融合。该方法在 KITTI 2015 和 Middlebury 2014 数据集上评估，表现显著，而且使用 PMDTec Monstar 传感器提供了定量结果。

Sep, 2018

本文提出了一种使用雷达图像融合进行深度估计的方法，该方法通过解决稀疏雷达测量的不确定垂直方向来融合图像特征和雷达深度，通过准确的 LiDAR 测量来确定可能正确的雷达方向，实验证明我们的方法相较于基准方法可以提高量化和定性结果。

Mar, 2024

雷达和相机融合在感知任务中具有鲁棒性，通过充分利用两种传感器的优势。本文介绍了一种基于学习的方法来推断与三维物体相关的雷达点的高度，通过引入新的鲁棒回归损失来解决稀疏目标的挑战，并采用多任务训练策略强调重要特征。与最先进的高度扩展方法相比，雷达的平均绝对高度误差从 1.69 米降低到 0.25 米。估计的目标高度值用于预处理和丰富雷达数据，以用于后续的感知任务。集成这些精细的雷达信息进一步提升了现有雷达相机融合模型在物体检测和深度估计任务中的性能。

Apr, 2024

该研究探讨了雷达和视频数据的像素级融合，并提出了一种从雷达返回数据到像素的映射，从而在雷达更稀疏的情况下提高车载系统深度感知能力。实验结果表明，在 nuScenes 数据集上，该方法在图像引导深度完成方面表现优于单独使用相机和雷达。

Jun, 2021

提出了一种基于早期融合方法和跨通道自适应交叉注意力机制的摄像头与雷达融合的方法，可实现更有效的三维目标检测，并在 nuScenes 测试集中达到了 41.1％的 mAP 和 52.3％的 NDS，相比摄像头基线提高了 8.7 和 10.8 个百分点。

Sep, 2022

本文主要关注移动水下载具中基于单目图像的实时稠密深度估计问题，提出了一种深度学习模型，通过融合来自三角化特征的稀疏深度测量结果来改善深度预测并解决尺度歧义问题。

Oct, 2023

本文介绍了一种利用 CramNet 网络实现相机和雷达传感器融合的方法，其中利用限制射线的交叉注意机制解决了相机特征和雷达特征之间几何对应关系的歧义，支持传感器模态退出训练，从而实现了鲁棒的三维物体检测。

Oct, 2022