Depth Completion
PulseAugur coverage of Depth Completion — every cluster mentioning Depth Completion across labs, papers, and developer communities, ranked by signal.
-
新的高斯信念传播网络推动深度补全技术发展
研究人员推出了一种新颖的框架——高斯信念传播网络（GBPN），它将深度学习与概率图模型相结合，用于深度补全。这种混合方法使用图模型构建网络（GMCN）动态构建特定场景的马尔可夫随机场（MRF），并通过高斯信念传播（GBP）进行推理，以生成密集深度图。GMCN旨在预测自适应的非局部边缘，从而捕捉复杂的空间依赖关系，而增强的、具有并行消息传递的GBP则改善了稀疏数据的传播。在NYUv2和KITTI基准上的实验表明，GBPN取得了最先进的性…
-
新框架增强掩码 Transformer 并使状态空间模型适应缺失数据
研究人员开发了 iFAN，一个旨在通过使查询排名与掩码质量保持一致并改进中间预测蒸馏来增强掩码 Transformer 的训练框架。该方法解决了最高概率查询不一定产生最准确掩码的匹配问题，以及早期层产生的优越预测会丢失的问题。在 COCO 和 Cityscapes 等数据集上的实验表明，iFAN 以最小的开销持续提高分割性能。另外，一篇论文介绍了 Partial Vision Mamba (PVM)，用于使 Mamba 等状态空间模型…
-
新的深度补全模型在室外环境中使用稀疏雷达数据
研究人员开发了一种新颖的深度补全模型，该模型能够使用极其稀疏的深度测量（例如来自低成本雷达的测量）在具有挑战性的室外环境中准确地估计密集深度图。该模型基于Depth Anything V2架构，引入了一个“第四输入通道”来整合稀疏深度数据，使其能够克服低纹理和尺度模糊设置下的局限性。该系统在边缘设备上实现实时性能，适用于农业和水下探索等领域的移动机器人。