基于高斯信念传播网络的深度完成
计算机视觉与模式识别
2026-01-30 v1
摘要
深度完成旨在从带有稀疏深度测量的彩色图像中预测稠密深度图。尽管深度学习方法已实现最先进（SOTA）水平，但在深度网络中有效处理输入深度数据的稀疏性和不规则性仍是显著挑战，尤其在稀疏度较高时往往限制性能。为克服此限制，我们引入高斯信念传播网络（Gaussian Belief Propagation Network, GBPN），一种新型混合框架，协同集成深度学习与概率图模型实现端到端深度完成。具体而言，场景特定的马尔可夫随机场（Markov Random Field, MRF）由图形模型构建网络（Graphical Model Construction Network, GMCN）动态构造，然后通过高斯信念传播（Gaussian Belief Propagation, GBP）进行推理，以获得稠密深度分布。关键在于，GMCN不仅学习构建MRF的数据依赖潜在函数，还学习其结构，通过预测自适应非局部边缘来实现，这使得能够捕获复杂的、长程的空间依赖关系。此外，我们通过串行与并行消息传递方案增强了GBP，旨在有效传播信息，尤其从稀疏测量处。广泛的实验表明，GBPN在NYUv2和KITTI基准测试上实现了SOTA性能。评估在不同稀疏度、稀疏模式和数据集上的结果突出显示了GBPN的优异性能、显著的鲁棒性以及良好的可泛化能力。
引用
@article{arxiv.2601.21291,
title = {Gaussian Belief Propagation Network for Depth Completion},
author = {Jie Tang and Pingping Xie and Jian Li and Ping Tan},
journal= {arXiv preprint arXiv:2601.21291},
year = {2026}
}