台湾大学 | S3：学习用于深度估计的稀疏信号超密度（CVPR2021）

论文标题：S3: Learnable Sparse Signal Superdensity for Guided Depth Estimation 论文链接：https://arxiv.org/abs/2103.02396 作者单位：国立台湾大学本工作是第一个指出稀疏信号的缺陷特性及其对深度估计结果的后续影响，并提出稀疏信号超密度(S3)方法，增强了稀疏信号的密度，减轻了不平衡分配问题，优于PSMNet、SLIC等网络。

密集深度估计在多种应用中起着关键作用，例如机器人技术，3D重建和增强现实。虽然稀疏信号（例如LiDAR和Radar）已被用作增强密集深度估计的指导，但由于其低密度和不平衡分布，因此改进受到了限制。为了最大限度地利用稀疏源的效用，我们提出了S3技术，该技术从稀疏cues扩展深度值，同时估计扩展区域的置信度。提出的S3可以应用于各种指导的深度估计方法，并可以在不同阶段进行端到端的训练，包括输入，cost volume和输出。大量实验证明了S3技术在LiDAR和雷达信号上的有效性，鲁棒性和灵活性。