基于语义网格形变优化的稀疏深度补全
计算机视觉与模式识别
2021-12-13 v1
摘要
稀疏深度测量在增强现实、视觉惯性里程计以及配备低成本深度传感器的机器人等许多应用中广泛存在。尽管此类稀疏深度样本在某些应用（如运动跟踪）中表现良好，但更完整的深度图通常用于更广泛的应用，如 3D 物体识别、3D 重建和自动驾驶。尽管近期使用更深神经网络从单张 RGB 图像预测深度取得了进展，现有方法仍无法产生可供实际使用的可靠结果。在本工作中，我们提出一种带后优化的神经网络，其以 RGB 图像和稀疏深度样本为输入并预测完整深度图。我们为推进最先进水平作出三项主要贡献：一种名为 EDNet 的改进骨干网络架构、一种语义边缘加权损失函数以及一种语义网格形变优化方法。我们的评估结果在室内和室外数据集上均一致优于现有工作，并且在 NYU-Depth-V2 数据集上 200 个稀疏样本的相同设置下，平均误差显著降低达 19.5%。
引用
@article{arxiv.2112.05498,
title = {Sparse Depth Completion with Semantic Mesh Deformation Optimization},
author = {Bing Zhou and Matias Aiskovich and Sinem Guven},
journal= {arXiv preprint arXiv:2112.05498},
year = {2021}
}