基于贝叶斯深度基拟合的深度补全及不确定性估计
计算机视觉与模式识别
2021-03-30 v1 机器人学
摘要
在本工作中，我们研究图像引导深度补全的不确定性估计问题。我们在贝叶斯证据框架下扩展深度基拟合（DBF）用于深度补全，以提供经校准的逐像素方差。DBF 方法将深度补全问题表述为一个网络生成一组低维深度基，以及一个可微分最小二乘拟合模块利用稀疏深度计算基权重。通过采用贝叶斯处理，我们的贝叶斯深度基拟合（BDBF）方法能够 1）预测高质量的不确定性估计，以及 2）在极少或没有稀疏测量的情况下实现深度补全。我们开展对照实验，在不同场景下将 BDBF 与常用的不确定性估计技术进行比较。结果表明，我们的方法在准确深度预测的同时产生了更好的不确定性估计。
引用
@article{arxiv.2103.15254,
title = {Bayesian Deep Basis Fitting for Depth Completion with Uncertainty},
author = {Chao Qu and Wenxin Liu and Camillo J. Taylor},
journal= {arXiv preprint arXiv:2103.15254},
year = {2021}
}