HMS-Net：用于稀疏深度补全的分层多尺度稀疏不变网络
计算机视觉与模式识别
2020-02-21 v2
摘要
稠密深度线索在各种计算机视觉任务中十分重要且有着广泛应用。在自动驾驶中，采用 LIDAR 传感器获取车辆周围的深度测量以感知周围环境。然而，由于硬件限制，LIDAR 获得的深度图通常是稀疏的。深度补全任务日益受到关注，其旨在从输入的稀疏深度图生成稠密深度图。为有效利用多尺度特征，我们提出了三种新颖的稀疏不变操作，并基于这些操作进一步提出了一种用于处理稀疏输入和稀疏特征图的分层多尺度稀疏不变网络（HMS-Net）。可融入额外的 RGB 特征以进一步提升深度补全性能。我们在两个公开基准（KITTI 深度补全基准和 NYU-depth-v2 数据集）上的大量实验与组件分析证明了所提方法的有效性。截至 2018 年 8 月 12 日，在 KITTI 深度补全排行榜上，我们不使用 RGB 引导的模型在所有未经同行评审使用 RGB 信息的方法中排名第一，而我们使用 RGB 引导的模型在所有 RGB 引导方法中排名第二。
引用
@article{arxiv.1808.08685,
title = {HMS-Net: Hierarchical Multi-scale Sparsity-invariant Network for Sparse Depth Completion},
author = {Zixuan Huang and Junming Fan and Shenggan Cheng and Shuai Yi and Xiaogang Wang and Hongsheng Li},
journal= {arXiv preprint arXiv:1808.08685},
year = {2020}
}
备注
IEEE Trans. on Image Processing