基于可变形传播和学习到的视差-深度转换的立体-激光雷达深度估计
计算机视觉与模式识别
2024-04-12 v1
摘要
利用立体相机和激光雷达进行精确且稠密的深度估计是自动驾驶和机器人感知的一项重要任务。虽然来自激光雷达点的稀疏线索改善了立体匹配中的代价聚合，但其有效性受到低密度和非均匀分布的限制。为了解决这个问题，我们提出了一种新颖的、带有半稠密线索引导的立体-激光雷达深度估计网络，命名为SDG-Depth。我们的网络包括一个可变形传播模块，用于通过学习到的可变形窗口传播稀疏线索来生成半稠密线索图和置信度图。然后，这些图引导立体匹配中的代价聚合。为了减少从视差恢复深度时的三角测量误差，特别是在远处区域，我们引入了一个视差-深度转换模块。我们的方法既准确又高效。基准测试的实验结果显示了其优越的性能。我们的代码可在 https://github.com/SJTU-ViSYS/SDG-Depth 获取。
引用
@article{arxiv.2404.07545,
title = {Stereo-LiDAR Depth Estimation with Deformable Propagation and Learned Disparity-Depth Conversion},
author = {Ang Li and Anning Hu and Wei Xi and Wenxian Yu and Danping Zou},
journal= {arXiv preprint arXiv:2404.07545},
year = {2024}
}
备注
Accepted in ICRA 2024. 8 pages, 6 figures