尽管原始RGBD数据仅适用于深度增强方法,但先前的深度补全研究通过随机选择200个(图14(b))或500个深度点(图14)(c))作为稀疏输入来实现其方法。在这两种情况下,总有效像素都小于1%。在NYU-v2数据集上评估的大多数方法都是RGB引导的。对于在此数据集上评估的方法,无监督方法只能将深度一致性应用于合成稀疏深度输入...
为了解决这个问题,Eldersokey等人[21]进一步开发了一种自监督方法,用于估计连续输入置信图,以抑制网络的干扰测量,NCNN也应用于[45]、[112]中的RGB引导深度补全。 通过引入用于重建的深度辅助任务,RGB信息可以被巧妙且隐含地用于非引导深度补全,为了克服语义线索的缺乏,Lu等人[73]在他们的框架中使用了辅助学习分支。他...
发明名称一种弱对齐RGB-D图像引导的深度图补全方法及系统(57)摘要本发明公开了一种弱对齐RGB‑D图像引导的深度图补全方法及系统,对弱对齐RGB‑D图像进行不一致像素点检测,使用神经网络技术将弱对齐RGB‑D图像划分为平坦区域和深度结构区域,选取表面法线特征约束平坦区域的深度值平滑度;选取高斯权重特征约束深度...
RGB图像提供关于场景结构的信息,包括纹理、线条和边缘,以补充稀疏深度图的缺失线索,并鼓励平滑区域内的深度连续性和边界处的不连续性。此外,它们包括一些单目线索,例如消失点[43],用于促进深度估计,这些好处补充了稀疏深度图。 与非引导方法相比,RGB引导方法通常具有三个优点:i)它们通常在准确性上优于非引导方法,ii)...
给定稀疏的深度图,非引导方法的目标是直接用深度神经网络模型补全它。以前的方法通常可以分为三组:使用1)稀疏感知CNN的方法,2)归一化CNN,和3)使用辅助图像进行训练的方法。 通过引入用于重建的深度辅助任务,RGB信息可以被巧妙且隐含地用于非引导深度补全,为了克服语义线索的缺乏,Lu等人[73]在他们的框架中使用了辅助...
给定稀疏的深度图,非引导方法的目标是直接用深度神经网络模型补全它。以前的方法通常可以分为三组:使用1)稀疏感知CNN的方法,2)归一化CNN,和3)使用辅助图像进行训练的方法。 通过引入用于重建的深度辅助任务,RGB信息可以被巧妙且隐含地用于非引导深度补全,为了克服语义线索的缺乏,Lu等人[73]在他们的框架中使用了辅助...
实际上,由于激光雷达投影误差,存在干扰测量,初始稀疏置信度输入不能排除这种噪声输入。为了解决这个问题,Eldersokey等人[21]进一步开发了一种自监督方法,用于估计连续输入置信图,以抑制网络的干扰测量,NCNN也应用于[45]、[112]中的RGB引导...
RGB引导深度补全 非引导方法通常表现不如RGB引导方法,并受到模糊效果和对象边界扭曲的影响,归因于关于自然场景的先验信息不足。如[46]中所研究的,自然场景的深度图可以分解为光滑表面和其间的尖锐不连续性,后者在深度图中形成阶边。该结构是深度图的关键属性,然而,当深度图非常稀疏时,诸如相邻对象和锐利边缘等先验信...