OMNI-DC：多分辨率深度集成下高度鲁棒的深度完成
计算机视觉与模式识别
2025-07-02 v2
摘要
深度完成（DC）旨在从 RGB 图像和稀疏深度图预测稠密深度图。现有 DC 方法在新数据集或未见稀疏深度模式上泛化性差，限制了其实际应用。我们提出 OMNI-DC，一种高度鲁棒的 DC 模型，能够零样本地对各种数据集进行良好泛化。关键设计是 novel Multi-resolution Depth Integrator，允许模型处理稀疏深度输入。我们还引入了 novel Laplacian loss 以建模训练过程中的不确定性。此外，我们采用尺度归一化技术和合成深度模式，在混合高质量数据集上训练 OMNI-DC。广泛的实验在 7 个数据集上显示，相较于基线方法，OMNI-DC consistently 提升，误差降低最高可达 43%。代码和模型 checkpoint 可在 https://github.com/princeton-vl/OMNI-DC 获取。
引用
@article{arxiv.2411.19278,
title = {OMNI-DC: Highly Robust Depth Completion with Multiresolution Depth Integration},
author = {Yiming Zuo and Willow Yang and Zeyu Ma and Jia Deng},
journal= {arXiv preprint arXiv:2411.19278},
year = {2025}
}
备注
Accepted to ICCV 2025. Added additional results and ablations