【ICCV‘23】LRRU: 长短程递归更新网络用于深度补全，Long-short Range Recurrent Updating Networks for Depth Completion

LRRU: 长短程递归更新网络用于深度补全

摘要

深度补全是计算机视觉中的一个重要任务，旨在从部分观测到的深度图中恢复完整的深度信息。传统的方法通常依赖于全局特征或局部上下文，但这些方法在处理长短程依赖时常常遇到挑战。为了解决这个问题，本文提出了一种新颖的网络架构——长短程递归更新网络（LRRU）。LRRU 通过引入递归机制来有效地结合长程和短程依赖，从而提升深度补全的性能。实验结果表明，LRRU 在多个数据集上都显著优于现有的深度补全方法，展示了其在真实场景中优越的表现。

引言

深度补全（Depth Completion）任务旨在从不完整的深度图（depth map）中恢复出完整的深度信息，这对许多计算机视觉应用至关重要，例如自动驾驶、增强现实和机器人导航。随着深度传感器的普及，获取的深度图往往是稀疏且噪声较大的，这使得深度补全成为一个具有挑战性的任务。

传统的深度补全方法主要依赖于卷积神经网络（CNNs）来提取图像的局部特征，并通过全局优化来完成深度补全。然而，这些方法在处理长短程依赖时表现出一定的局限性。具体而言，卷积操作虽然在局部特征提取上表现良好，但在捕捉长程依赖时常常显得不足。

为了解决这一问题，