用于夜间深度感知的可学习差分中心
计算机视觉与模式识别
2023-09-06 v4
摘要
深度补全是从稀疏深度图恢复稠密深度图的任务，通常借助彩色图像完成。现有的图像引导方法在白天深度感知自动驾驶基准上表现良好，但在可见度低、光照复杂的夜间场景中表现不佳。为应对这些挑战，我们提出了一种简洁而有效的框架 LDCNet。我们的核心思想是利用循环互卷积差分（RICD）与光照亲和内卷积差分（IAICD）分别增强夜间彩色图像并减弱变化光照的负面影响。RICD 通过以不同卷积核做差分来显式估计全局光照，从新视角将小核卷积特征视为大核卷积特征的中心。IAICD 通过对单一卷积做差分来柔性缓解局部相对光强，其中心基于邻近像素与 RICD 中估计的光照图动态聚合。在夜间深度补全与深度估计任务上，大量实验证明了我们的 LDCNet 的有效性，达到了当前最优（SOTA）。
引用
@article{arxiv.2306.14538,
title = {Learnable Differencing Center for Nighttime Depth Perception},
author = {Zhiqiang Yan and Yupeng Zheng and Chongyi Li and Jun Li and Jian Yang},
journal= {arXiv preprint arXiv:2306.14538},
year = {2023}
}
备注
8 pages