本文提出了一种几何感知的立体 - LiDAR 融合网络，通过在三维空间中统一传入稀疏而准确的点云系作为指导进行对应，借鉴 2D 图像领域的语义和 3D 领域的几何关系辅助于点云的特征提取，进而成功的融合了两种不同的输入方式并回归出一个长距离深度图。 该网络可用于 KITTI 和 Virtual-KITTI 数据集的立体 - LiDAR 融合任务中，取得了最先进的性能表现。

Mar, 2021

本文提出一种基于伪激光雷达（pseudo-LiDAR）的物体三维检测方法，通过改进其立体深度估计的网络结构和损失函数，以及通过利用稀疏的廉价激光雷达传感器的测量结果来传播深度估计值，从而实现对目标的准确检测。在 KITTI 数据集上的实验表明，该方法相比现有方法在远处物体检测精度上有 40% 以上的提升。

Jun, 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

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

本文提出一种基于卷积神经网络将基于图像的深度图转换为假激光雷达（pseudo-LiDAR）表示的方法，从而使得使用便宜的单 ocular 或立体成像数据进行 3D 物体检测时的精度在 KITTI 数据集上大幅提高到了 22% 到 74%。

Dec, 2018

本文提出了一个深度神经网络架构，通过从单个彩色图像和稀疏深度产生准确的密集深度，实现了室外场景的景深感知。该网络以表面法向量为中间表示来产生密集深度，并可进行端到端的训练。利用修改后的编解码器结构，该网络有效地融合了密集的彩色图像和稀疏的 LiDAR 深度。

Dec, 2018

通过提出一个伪立体式的三维检测框架，包括三种新颖的虚拟视图生成方法和基于视差动态卷积的特征滤波，从单张图片中进行三维物体检测，该方法在 KITTI-3D 基准测试中获得了车辆、行人和骑行者三个类别的第一名。

Mar, 2022

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

本文提出了一种名为 Deep Stereo Geometry Network（DSGN）的方法，它使用可微分的体积表示来检测三维物体，同时学习深度信息和语义线索。该方法为立体基础的三维检测提供了一个简单有效的单阶段管道，具有比以前立体基础的三维检测方法更高的性能，甚至与几种 LiDAR-based 方法在 KITTI 3D 物体检测排行榜上表现相当。

Jan, 2020

本论文提出了一种新的导向立体匹配方法，利用来自外部源的少量稀疏但可靠的深度测量来提高现有深度学习模型在处理新环境时的准确性和鲁棒性，并证明此方法适用于传统的立体匹配算法，并且即使只输入少量稀疏数据，对现有模型的性能也有显著提升。

May, 2019