用于深度补全与增强的自引导实例感知网络
计算机视觉与模式识别
2021-05-31 v2 机器人学
摘要
深度补全旨在从稀疏深度测量推断稠密深度图像，因为光泽、透明或远处表面无法被传感器正确扫描。大多数现有方法直接基于逐像素图像内容和相应相邻深度值插值缺失的深度测量。因此，这导致物体边界模糊或结构不准确。为解决这些问题，我们提出一种新颖的自引导实例感知网络（SG-IANet）：(1) 利用自引导机制提取深度恢复所需的实例级特征，(2) 将几何与上下文信息引入网络学习以符合边缘清晰与结构一致的底层约束，(3) 通过实例感知学习正则化深度估计并减轻噪声影响，(4) 仅通过域随机化使用合成数据训练以弥合现实差距。在合成与真实世界数据集上的大量实验表明，我们提出的方法优于以往工作。进一步的消融研究提供了对提出方法的更多见解，并展示了我们模型的泛化能力。
引用
@article{arxiv.2105.12186,
title = {Self-Guided Instance-Aware Network for Depth Completion and Enhancement},
author = {Zhongzhen Luo and Fengjia Zhang and Guoyi Fu and Jiajie Xu},
journal= {arXiv preprint arXiv:2105.12186},
year = {2021}
}
备注
Accepted by ICRA 2021