基于 KISS-GP 的稠密深度推断与稀疏测距测量间的平衡深度补全
计算机视觉与模式识别
2020-08-13 v1 机器人学
摘要
估计稠密且准确的深度图是自动驾驶与机器人技术的核心需求。深度学习的最新进展已能从单张图像以全分辨率估计深度。尽管结果令人印象深刻，许多基于深度学习的单目深度估计（MDE）算法未能保持精度，产生米级估计误差。在许多机器人应用中，可从激光雷达（LiDAR）便捷获取准确但稀疏的测量值。尽管其精度很高，稀疏性限制了全分辨率深度图重建。针对稠密且准确深度图恢复问题，本文通过将深度推断与深度回归的角色分离，将这两种模态的融合定义为深度补全（DC）问题。利用最先进的 MDE 与我们所提出的基于高斯过程（GP）的深度回归方法，我们给出了一种通用方案，可通过稀疏测距测量增强其深度，从而灵活适配各类 MDE 模块。为克服 GP 的主要局限，我们采用可扩展结构化核插值（KISS）-GP，将计算复杂度从 O(N^3) 降至 O(N)。实验表明，对于稀疏且有偏的测量，我们的方法在精度与鲁棒性上优于最先进的无监督方法。
引用
@article{arxiv.2008.05158,
title = {Balanced Depth Completion between Dense Depth Inference and Sparse Range Measurements via KISS-GP},
author = {Sungho Yoon and Ayoung Kim},
journal= {arXiv preprint arXiv:2008.05158},
year = {2020}
}
备注
accepted to IROS 2020. 8 pages, 9 figures, 2 tables. Video at this https://www.youtube.com/watch?v=x8n0lvjvorg&t=33s