学习用于深度补全的联合二维-三维表示
计算机视觉与模式识别
2020-12-24 v1
摘要
在本文中，我们解决基于RGBD数据的深度补全问题。为此，我们设计了一个简单而有效的神经网络模块，用于学习提取联合的二维与三维特征。具体而言，该模块由两个特定于子域的子网络组成，分别对图像像素施加二维卷积、对三维点施加连续卷积，并将其输出特征在图像空间中融合。我们通过堆叠所提出的模块来构建深度补全网络，其优势在于学习在多个层次上于二维与三维空间之间充分融合的层次化表示。我们在具有挑战性的KITTI深度补全基准上展示了我们方法的有效性，并表明我们的方法优于当前最优（SOTA）。
引用
@article{arxiv.2012.12402,
title = {Learning Joint 2D-3D Representations for Depth Completion},
author = {Yun Chen and Bin Yang and Ming Liang and Raquel Urtasun},
journal= {arXiv preprint arXiv:2012.12402},
year = {2020}
}
备注
ICCV 2019