SelfDeco: Self-Supervised Monocular Depth Completion in Challenging Indoor Environments 论文链接：https://arxiv.org/abs/2011.04977 表现SOTA！性能优于CSPN、nUNet等网络，作者单位：NAVER LABS, 马里兰大学

我们提出了一种用于自监督的单目深度补全的新颖算法。我们的方法基于训练仅需要稀疏深度测量和相应的单目视频序列而无需密集深度标签的神经网络。 我们的自监督算法专为具有挑战性的室内环境而设计，这些环境包括无纹理区域，光滑透明的表面，non-Lambertian表面，移动的人，更长的深度范围和复杂的自我运动捕捉的场景。 我们新颖的架构既利用稀疏卷积块的深堆栈来提取稀疏深度特征，又利用像素自适应卷积来融合图像和深度特征。 我们与NYUv2，KITTI和NAVERLABS室内数据集中的现有方法进行了比较，并观察到均方根误差（RMSE）降低了5-34 ％。

内容中包含的图片若涉及版权问题，请及时与我们联系删除