#每天一篇论文# 227/365 Gated2Depth：实时门控图像得到稠密雷达深度图

Gated2Depth: Real-time Dense Lidar from Gated Images

摘要

我们提出了一个成像框架，将三幅来自门控相机的图像转换成高分辨率深度图，深度精度与脉冲激光雷达测量相当。现有的扫描激光雷达系统由于机械角度采样率的限制，在大范围内获得较低的空间分辨率，将场景理解任务限制在具有密集采样的近距离簇上。此外，当今的脉冲激光雷达扫描仪存在成本高、功耗大、形状因素大等缺点，并且在强后向散射的情况下会失效。我们从点扫描出发，通过从三幅门控图像中学习深度，证明了将低成本CMOS门控成像仪转变为至少80米范围的密集深度相机是可能的。该体系结构利用门控片间的语义上下文，在不需要密集深度标签的情况下，对综合鉴别器丢失进行训练。拟议的扫描激光雷达系统的替代品是实时的，处理后向散射，并在长距离提供密集的深度。我们在模拟和实际数据中验证了我们的方法，在北欧行驶超过4000公里。

贡献

介绍了一种利用不到几幅门控图像的成像模型和解析深度估计方法。
•我们提出了一种基于学习的方法来估计门控图像的密集深度，而无需密集深度标签进行训练。
•我们在模拟和在具有挑战性的汽车场景中通过原型系统获得的实际测量中验证了所提出的方法。我们表明，该方法可恢复80 m以下的致密深度
深度精度与扫描激光雷达相当。
•我们提供第一个远程门控数据集，覆盖整个北欧超过4000公里的行驶里程。数据集包括雪、雨、城市驾驶和次城市驾驶中的驾驶场景。所有数据集和模型都将发布，以实现完全的再现性。

方法

门控相机的原理
考虑图3所示的设置，其中调幅光源泛光用宽矩形“脉冲”光照亮场景。同步相机在延迟ζ后打开，仅接收往返路径长度大于ζ·c的光子，其中c是光速。假设在距离r处有一个主要的lambertian反射器，探测器增益随门函数g的时间调制而导致曝光测量。

网络结构

实验