面向机器人系统的几何感知稀疏深度采样高保真RGB-D深度完成方法
计算机视觉与模式识别
2025-12-10 v1 机器人学
摘要
准确的三维感知是现代工业机器人系统执行操控、检查和导航任务所必需的。RGB-D和立体视觉传感器广泛用于此目的，但产生的深度图常因传感器局限性和环境条件而呈现噪声、不完整或偏置。深度完成方法旨在从RGB图像和稀疏深度输入生成密集可靠的深度图。然而，当前深度完成流程的一个关键局限是稀疏深度的生成不切实际：稀疏像素通常从密集真实深度中均匀随机选择，忽视了真实传感器 exhibits 几何相关且空间非均匀可靠性的事实。本文提出了一种基于PCA的表面法线估计的法向引导稀疏深度采样策略，用于计算每个像素的深度可靠性度量。随后，根据该可靠性分布采样稀疏深度。我们将该采样方法与Marigold-DC基于扩散的数值深度完成模型集成，并在NYU Depth v2数据集上进行评估。实验表明，我们的几何感知稀疏深度在提高精度、减少边缘和离散点的伪影方面具有优势，并产生更贴近真实传感器行为的训练条件。
引用
@article{arxiv.2512.08229,
title = {Geometry-Aware Sparse Depth Sampling for High-Fidelity RGB-D Depth Completion in Robotic Systems},
author = {Tony Salloom and Dandi Zhou and Xinhai Sun},
journal= {arXiv preprint arXiv:2512.08229},
year = {2025}
}