论文地址: https://arxiv.org/pdf/1709.07492.pdf
代码: 公众号回复:1709.07492
来源: 麻省理工学院
论文名称:Sparse-to-Dense: Depth Prediction from Sparse Depth Samples and a Single Image
原文作者:Fangchang Ma
内容提要
本文旨在解决如何从一组稀疏的深度传感器和一个单一的RGB的图像中实现稠密深度预测问题。由于单目图像上的深度估计本质上是不可靠,为达到一个更高水平的鲁棒性和准确性,本文引入了额外的稀疏深度样本,这些样本是通过低分辨率的深度传感器获得或SLAM算法获得。本文提出使用一个单一深度的回归网络直接从RGB-D原始数据学习,并探讨样本数量对数据预测精度的影响。 实验结果表明,与只使用RGB图像,在NYU-Depth-v2室内数据集上,增加100个空间随机深度样本可以减少50%的预测均方根误差。同时将KITTI数据集上的预测可靠性从59%提升到92%。我们演示了该算法的两个应用:SLAM中的一个插件模块,用于将稀疏映射转换为密集映射,以及LiDARs的超分辨率。开源了算法和视频。
主要框架及实验结果
声明:文章来自于网络,仅用于学习分享,版权归原作者所有,侵权请加上文微信联系删除。