稀疏 SPN：基于稀疏关键点的深度补全
计算机视觉与模式识别
2022-12-05 v1
摘要
我们的长期目标是利用基于图像的深度补全，从稀疏点云（例如来自 SfM 或 SLAM）快速创建三维模型。深度补全已取得诸多进展。然而，当前大多数工作假设已知深度样本分布良好，例如 Lidar 或随机均匀采样，并在非均匀样本（如来自关键点）上表现不佳，原因在于存在大片未采样区域。为解决该问题，我们扩展 CSPN，引入多尺度预测与空洞核，从而显著改善关键点采样深度的补全效果。我们还展示了在 NYUv2 上训练的模型可通过补全稀疏 SfM 点，在 ETH3D 上生成令人惊讶的高质量点云。
引用
@article{arxiv.2212.00987,
title = {Sparse SPN: Depth Completion from Sparse Keypoints},
author = {Yuqun Wu and Jae Yong Lee and Derek Hoiem},
journal= {arXiv preprint arXiv:2212.00987},
year = {2022}
}