面向驾驶场景的具有场景完整性感知的激光雷达深度补全

本文提出场景完整性感知深度补全（SCADC），将原始激光雷达扫描补全为具有精细且完整场景结构的稠密深度图。现有的激光雷达稀疏深度补全方法仅关注下方场景，并在上方产生不规则估计，因为现有数据集（如 KITTI）未提供上方区域的真实值。这些区域被认为不太重要，因为它们通常是天空或树木，场景理解价值较低。然而，我们认为在诸如大型卡车或载货汽车等若干驾驶场景中，物体可能延伸至场景上方。因此，具有结构化上方场景估计的深度图对于 RGBD 算法十分重要。SCADC 采用立体图像生成具有较好场景完整性但精度通常低于激光雷达的视差，以辅助稀疏激光雷达深度补全。据我们所知，我们是首个关注稀疏深度补全场景完整性的工作。我们在 KITTI 上从深度估计精度和场景完整性两方面验证了 SCADC。此外，我们通过具有场景完整性感知的 D 输入的较少被探索的室外 RGBD 语义分割实验来验证我们的方法。