【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,