Core Concepts
Ein neuartiges und effizientes Stereo-LiDAR-Tiefenschätzungsnetzwerk, das eine lernbare deformierbare Propagation zur Erweiterung der spärlichen LiDAR-Hinweise und eine leichtgewichtige Disparität-Tiefe-Umrechnung zur genauen Tiefenrekonstruktion aus Disparität verwendet.
Abstract
Das vorgestellte Netzwerk besteht aus vier Hauptkomponenten:
Ein Deformable Propagation (DP) Modul, das die spärlichen LiDAR-Hinweise innerhalb gelernter, variabel geformter Fenster propagiert, um eine semi-dichte Hinweiskarte und eine Vertrauenskarte zu erzeugen. Dadurch werden Okklusionen und Objektgrenzen effektiv überbrückt.
Ein Confidence-based Gaussian (CG) Modul, das die semi-dichte Disparitätskarte und die Vertrauenskarte nutzt, um die Kostenfunktion für die Stereo-Zuordnung effektiv zu modulieren.
Ein Coarse-to-Fine 3D CNN, das eine präzise dichte Disparitätskarte aus der modulierten Kostenfunktion erzeugt.
Ein Disparity-Depth Conversion (DDC) Modul, das die Tiefe aus der Disparität unter Verwendung hochfrequenter Bildmerkmale genau rekonstruiert und Triangulationsfehler reduziert.
Umfangreiche Experimente auf verschiedenen Benchmarkdatensätzen zeigen, dass das vorgeschlagene Netzwerk den aktuellen Stand der Technik in Bezug auf Genauigkeit und Effizienz übertrifft.
Stats
Die Verwendung von spärlichen LiDAR-Hinweisen verbessert die Genauigkeit der Tiefenschätzung im Vergleich zu rein stereobasierten Methoden.
Das deformierbare Propagationsmodul ermöglicht eine effektive Erweiterung der spärlichen Hinweise über Okklusionen und Objektgrenzen hinweg.
Das Confidence-based Gaussian Modul nutzt die Vertrauenskarte, um die Kostenfunktion für die Stereo-Zuordnung effektiv zu modulieren.
Das Disparity-Depth Conversion Modul reduziert Triangulationsfehler und ermöglicht eine genaue Tiefenrekonstruktion aus der Disparität.
Quotes
"Unser Netzwerk erzielt den besten Kompromiss zwischen Genauigkeit und Inferenzgeschwindigkeit auf dem KITTI Completion-Datensatz."
"Unsere Methode erzeugt genauere Vorhersagen mit schärferen Kanten in entfernten Regionen im Vergleich zu einer anderen state-of-the-art Stereo-LiDAR-Methode (EG-Depth)."