稀疏性自适应深度细化的掩码空间传播网络
计算机视觉与模式识别
2024-05-01 v1
摘要
深度完成的主要功能是补偿硬件传感器（如相机或激光雷达）提供的稀疏深度测量的不足和不可预测性。然而，现有的深度完成研究假设稀疏性——即点数或激光线数——在训练和测试期间是固定的。因此，当稀疏深度数量发生显著变化时，完成性能会严重下降。为此，我们提出了稀疏性自适应深度细化 (SDR) 框架，该框架利用稀疏深度点来细化单目深度估计。对于 SDR，我们提出了掩码空间传播网络 (MSPN) 用于通过在整个深度图中逐步传播稀疏深度信息来有效实现 SDR，从而适应不同数量的稀疏深度。实验结果表明，MSPN 在 SDR 和常规深度完成场景中均实现了最先进的性能。
引用
@article{arxiv.2404.19294,
title = {Masked Spatial Propagation Network for Sparsity-Adaptive Depth Refinement},
author = {Jinyoung Jun and Jae-Han Lee and Chang-Su Kim},
journal= {arXiv preprint arXiv:2404.19294},
year = {2024}
}