DVMN：用于深度补全的稠密有效性掩码网络
计算机视觉与模式识别
2021-07-15 v1 图像与视频处理
摘要
LiDAR 深度图为多种应用提供环境引导。然而，此类深度图通常较为稀疏，不足以应对自主导航等复杂任务。当前最优方法使用图像引导的神经网络进行稠密深度补全。我们开发了一种引导式卷积神经网络，侧重于从稀疏深度图中收集稠密且有效的信息。为此，我们引入了一种具有空间可变且内容依赖的膨胀率的新颖层，以从稀疏输入中纳入额外数据。此外，我们提出了一种稀疏不变残差瓶颈块。我们在 KITTI 深度补全基准上评估了我们的稠密有效性掩码网络（DVMN），并取得了当前最优结果。在提交时，我们的网络是使用稀疏不变卷积的领先方法。
引用
@article{arxiv.2107.06709,
title = {DVMN: Dense Validity Mask Network for Depth Completion},
author = {Laurenz Reichardt and Patrick Mangat and Oliver Wasenmüller},
journal= {arXiv preprint arXiv:2107.06709},
year = {2021}
}
备注
This paper has been accepted at IEEE Intelligent Transportation Systems Conference (ITSC), 2021