该研究提出了一种基于编码器 - 解码器架构的新型深度完成模型，利用重新定位输出信号内的空间分布，实现根据不同地区的控制，通过 Spatially-Adaptive Denormalization（SPADE）块来控制特定区域的密集度 map 解码，有效提高模型预测质量，主要贡献包含了编码器 - 解码器架构之外的特定部分设计和新颖的训练策略。

May, 2020

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

自监督的单目深度估计任务中，离散视差预测已被证明比常规连续方法获得更高质量深度图。然而，当前的离散化策略通常以手工制定且刚性的方式将场景的深度范围划分为箱子，限制了模型的性能。本文提出了一种可学习模块，自适应离散视差体积（ADDV），能够动态感知不同 RGB 图像中的深度分布，并为其生成自适应箱子。该模块可以集成到现有的 CNN 架构中，使网络能够为箱子生成代表性数值和其概率分布。此外，我们引入了新的训练策略 - 均一化和锐化 - 通过损失项和温度参数，以在自监督条件下提供规范化，防止模型退化或崩溃。实证结果表明，ADDV 能有效处理全局信息，在各种场景中生成适当的箱子，并与手工方法相比产生更高质量的深度图。

Apr, 2024

本文提出了一种新颖的方法，通过学习框架，识别和整合主导的跨模态深度特征，独立计算粗略深度图，并使用置信度损失和多模态融合网络进行端到端的深度估计，从而在各种困难情景中展示了鲁棒的深度估计能力。

Feb, 2024

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

提出了一种新的多模态神经网络 UAMD-Net，通过融合双目立体匹配和稀疏点云的弱约束进行深度完善，并使用新的训练策略 Modal-dropout 使得网络能够适应多种模态输入条件，该方法在 KITTI 深度完善基准测试中的实验表明其能够产生鲁棒的结果，并优于其他最先进的方法。

Apr, 2022

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

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

基于编码器 - 解码器结构的新型深度补全模型提出了两个关键组件：MagaConv 架构和 BP-Fusion 模块。其中，MagaConv 架构通过使用迭代更新的遮罩调制卷积运算来获取精确的深度特征，而 BP-Fusion 模块通过在全局视角中利用连续的双向融合结构逐步整合深度和颜色特征。通过在包括 NYU-Depth V2，DIML 和 SUN RGB-D 在内的流行基准数据集上进行广泛实验，我们的模型表现优越，成就了在深度图像补全方面的卓越性能，并在准确性和可靠性方面超越了现有方法。

Jan, 2024

提出使用 iDisc 方法结合内部离散化表示学习高级场景模式的单目深度估计方法，并取得了 state-of-the-art 的结果，同时还展示了该方法在表面法线估计和场景泛化能力方面的应用。

Apr, 2023