稀疏度无关的的深度补全
计算机视觉与模式识别
2022-12-02 v1
摘要
我们提出了一种新颖的深度补全方法，该方法对深度点的稀疏度不敏感，而在许多实际应用中稀疏度极有可能发生变化。最先进的方法仅在处处理特定密度和分布（即训练期间所观察到的那种）的输入点时才能产生准确结果，这限制了它们在真实用例中的部署。相反，我们的方案对不均匀分布以及训练期间从未见过的极低密度具有鲁棒性。在标准室内和室外基准上的实验结果表明了我们框架的鲁棒性：当测试的密度和分布与训练时相同时，其精度可与最先进方法相媲美；而在其他情况下则准确得多。我们的预训练模型及更多材料可在我们的项目页面获取。
引用
@article{arxiv.2212.00790,
title = {Sparsity Agnostic Depth Completion},
author = {Andrea Conti and Matteo Poggi and Stefano Mattoccia},
journal= {arXiv preprint arXiv:2212.00790},
year = {2022}
}
备注
This paper has been accepted for publication at the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), Waikoloa, 2023