基于选择性立体匹配的非学习立体辅助深度补全应对误投影
计算机视觉与模式识别
2022-10-05 v1
摘要
我们提出了一种非学习的深度补全方法，用于由光探测与测距（LiDAR）传感器捕获、并由一对立体图像引导的稀疏深度图。通常，传统立体辅助深度补全方法存在两点局限。（i）它们假设给定稀疏深度图与输入图像精确对齐，而该对齐在实践中难以实现。（ii）它们在远距离上精度有限，因为深度由像素视差估计。为解决上述局限，我们提出选择性立体匹配（SSM），其基于能量最小化框架，为每个图像像素从其邻近投影的 LiDAR 点中搜索最合适的深度值。该深度选择方法可处理任意类型的误投影。此外，SSM 在远距离深度精度上具有优势，因为它直接使用 LiDAR 测量值而非从立体获得的深度。SSM 是一个离散过程；因此，我们应用带有二值各向异性扩散张量（B-ADT）的变分平滑来生成连续深度图，同时保留物体边界处的深度不连续性。实验上，与先前最先进的立体辅助深度补全相比，所提方法将深度估计的平均绝对误差（MAE）降至 0.65 倍，并在远距离上展现出约两倍的更精确估计。此外，在各种 LiDAR-相机标定误差下，所提方法将深度估计 MAE 降至先前深度补全方法的 0.34–0.93 倍。
引用
@article{arxiv.2210.01436,
title = {Non-learning Stereo-aided Depth Completion under Mis-projection via Selective Stereo Matching},
author = {Yasuhiro Yao and Ryoichi Ishikawa and Shingo Ando and Kana Kurata and Naoki Ito and Jun Shimamura and Takeshi Oishi},
journal= {arXiv preprint arXiv:2210.01436},
year = {2022}
}
备注
15 pages, 13 figures