基于逆Laplacian金字塔的渐进式深度完成
计算机视觉与模式识别
2025-02-12 v1
摘要
深度完成旨在从稀疏深度测量中重建密集深度图，利用对应的颜色图像所提供的信息。现有方法大多基于单尺度传播策略，通过像素级消息传递逐步改进初始粗糙的深度估计。尽管这些技术取得了可喜的成果，但常常受到计算效率低下的制约，以及对场景上下文理解有限的挑战。为规避这些挑战，我们引入了LP-Net，一种基于Laplacian金字塔分解的多尺度、渐进式预测范式的创新框架。与基于传播的方法不同，LP-Net以一种基础的、低分辨率的深度预测开始，以捕获全局场景上下文，随后通过逐尺度的上采样和高频细节的恢复进行细化。我们开发了两个新模块来增强这一策略：1）多路径特征金字塔模块，将特征图划分为离散路径，采用多尺度变换将其整合，2）选择性深度过滤模块，动态学习同时应用平滑和锐化滤波器，以明智地减轻噪声同时突出细节。通过整合这些进步，LP-Net不仅在户外和室内基准（如KITTI、NYUv2和TOFSD）中实现了状态最佳（SOTA）性能，而且显示出优越的计算效率。在提交时，LP-Net在官方KITTI排行榜上的所有同行评审方法中名列前茅。
关键词
引用
@article{arxiv.2502.07289,
title = {Learning Inverse Laplacian Pyramid for Progressive Depth Completion},
author = {Kun Wang and Zhiqiang Yan and Junkai Fan and Jun Li and Jian Yang},
journal= {arXiv preprint arXiv:2502.07289},
year = {2025}
}