RaCalNet：稀疏监督下的雷达校准网络用于稀疏监督的度量深度估计
计算机视觉与模式识别
2025-07-08 v2 机器人学
摘要
毫米波雷达的稠密深度估计通常需要通过多帧投影和插值生成的稠密LiDAR监督，以指导从稀疏雷达测量和RGB图像中学习准确深度。然而，这种范式既代价高昂又数据密集。为此，我们提出RaCalNet，一种新颖的框架，通过稀疏LiDAR监督学习雷达测量的校准，监督密度仅为稠密监督方法的约1%。RaCalNet由两个关键模块组成。雷达校准模块执行雷达点筛选和像素级位移细化，生成来自稀疏雷达输入的准确可靠深度先验。这些先验随后由度量深度优化模块使用，学习场景级尺度先验并与单目深度预测融合，以实现度量准确输出。这种模块化设计增强了结构一致性，保留了细粒度几何细节。尽管仅依赖稀疏监督，RaCalNet仍能生成清晰物体轮廓和细腻纹理的深度图，视觉质量优于当前稠密监督方法。定量上，该方法在ZJU-4DRadarCam数据集上表现与现有方法相当，并在实际部署场景中实现34.89%的RMSE降低。我们计划在未来不久内在https://github.com/818slam/RaCalNet.git发布代码和模型。
引用
@article{arxiv.2506.15560,
title = {RaCalNet: Radar Calibration Network for Sparse-Supervised Metric Depth Estimation},
author = {Xingrui Qin and Wentao Zhao and Chuan Cao and Yihe Niu and Tianchen Deng and Houcheng Jiang and Rui Guo and Jingchuan Wang},
journal= {arXiv preprint arXiv:2506.15560},
year = {2025}
}
备注
10 pages, 7 figures