RigNet：用于深度补全的重复图像引导网络

深度补全旨在从稀疏深度图恢复稠密深度图，常利用彩色图像辅助该任务。近期方法主要关注图像引导学习框架以预测稠密深度。然而，图像中模糊的引导与深度中不清晰的结构仍阻碍图像引导框架的性能。为解决这些问题，我们在图像引导网络中探索重复设计以逐步且充分地恢复深度值。具体而言，重复体现在图像引导分支与深度生成分支中。在前一分支，我们设计重复沙漏网络以提取复杂环境的判别性图像特征，为深度预测提供强大的上下文指引。在后一分支，我们引入基于动态卷积的重复引导模块，其中提出高效卷积分解以同时降低复杂度并渐进建模高频结构。大量实验表明，我们的方法在 KITTI 基准与 NYUv2 数据集上取得了优越或具竞争力的结果。