Conf-Net：通过误差图预测实现高置信度稠密三维点云
计算机视觉与模式识别
2019-09-23 v3 机器学习
摘要
本工作提出一种利用卷积神经网络对稀疏 LiDAR 数据进行深度补全的方法，该方法可生成半稠密深度图及“近乎”完整的三维点云，其均方根误差（RMSE）显著低于现有最优（SOTA）方法。我们在网络中增加“误差预测”单元，提出一种新颖而简单的端到端方法，学习预测深度回归任务的误差图。对于安全关键应用特别是真实世界自动驾驶而言，“近乎”稠密的高置信度/低方差点云比具有高误差率和高误差方差的完整点云更有价值。利用预测的误差图，我们证明通过将 LiDAR 点云从 18,000 点补至 285,000 点（完整深度为 300,000 点），可将 RMSE 误差从 1004 降至 399。该误差比 SOTA 低约 60%，比带 RGB 引导的 SOTA 低 50%（我们的算法未使用 RGB 引导）。除在 Kitti 深度补全数据集上分析结果外，我们还通过部署“误差预测”单元改进 SOTA 单目深度估计，展示了所提方法扩展到新任务的能力。代码与演示视频见 http://github.com/hekmak/Conf-net。
引用
@article{arxiv.1907.10148,
title = {Conf-Net: Toward High-Confidence Dense 3D Point-Cloud with Error-Map Prediction},
author = {Hamid Hekmatian and Jingfu Jin and Samir Al-Stouhi},
journal= {arXiv preprint arXiv:1907.10148},
year = {2019}
}