LRRU：用于深度补全的长短程循环更新网络
计算机视觉与模式识别
2023-10-16 v1
摘要
现有的基于深度学习的深度补全方法通常采用大量堆叠层从稀疏输入数据预测稠密深度图。尽管此类方法极大推进了该任务，但其伴随的巨大计算复杂度阻碍了实际应用。为了更高效地完成深度补全，我们提出了一种新颖的轻量级深度网络框架，即长短程循环更新（LRRU）网络。LRRU无需学习复杂特征表示，首先粗略填充稀疏输入以获得初始稠密深度图，然后通过学习的空间可变卷积核迭代更新它。我们的迭代更新过程具有内容自适应和高度灵活性，其中卷积核权重通过联合考虑引导RGB图像和待更新深度图来学习，并且从大到小的卷积核作用范围被动态调整以捕获长程到短程依赖。我们的初始深度图具有粗糙但完整的场景深度信息，有助于减轻直接从稀疏数据回归稠密深度的负担，而我们提出的方法能够以更少的可学习参数和推理时间将其有效精化为准确的深度图。实验结果表明，我们提出的LRRU变体在不同参数规模下均达到最先进的性能。特别地，LRRU-Base模型在NYUv2数据集上优于竞争方法，并在提交时在KITTI深度补全基准上排名第1。项目页面：https://npucvr.github.io/LRRU/。
引用
@article{arxiv.2310.08956,
title = {LRRU: Long-short Range Recurrent Updating Networks for Depth Completion},
author = {Yufei Wang and Bo Li and Ge Zhang and Qi Liu and Tao Gao and Yuchao Dai},
journal= {arXiv preprint arXiv:2310.08956},
year = {2023}
}
备注
Published in ICCV 2023