一文读懂自动驾驶传感器数据融为一体

妨看一下它的流程绘出：有兴趣可以搜搜 “In Defense of Classical Image Processing: Fast Depth Completion on the CPU“，其结果和CNN方依此有的相比较也标明。

简而言之依此，自然就是MRF，CRF，TV（Total variation），dictionary learning 和 Sparse Coding之类。此后面为避免繁琐的公式复本，就并不需要得出结论博士论文出题吧。

下一个是“Image Guided Depth Upsampling using Anisotropic Total Generalized Variation“：使用TV，激光虽然是ToF，激光雷达也适用。接着一个是“Semantically Guided Depth Upsampling”：引入逻辑划分，相近depth ordering。

如果把稠密尺度绘出都是一个需要补齐的问题，那么就属于另外一个流行文化：image-guided depth inpainting/completion，这各个方面的技术基本都是简而言之依此，比如“Depth Image Inpainting: Improving Low Rank Matrix Completion with Low Gradient Regularization“：

有一类方依此有，将激光雷达点云类比到位绘出正方形的点作为prior或者"seed"，去修正位绘出的尺度至少每一次，这就看成一个由激光雷达点云类比到位绘出上的稠密点连在一起的几何体（grid），去个人兴趣/强制执行右眼位绘出匹配。

此后面这个方依此有将Disparity Space Image (DSI)的天球以内变小：

如绘出方依此有相辅相成激光雷达点云的类比和立体匹配连在一起一新prior：

此后面详述尺度努力学习的方依此有。

尺度努力学习方依此有

从2017年开始，这个各个方面的分析方法尺度努力学习的博士论文开始多紧紧了，一是自动驾驶对激光结合的重视提供了motivation，二是尺度努力学习在尺度绘出至少/划分/光流至少等教育领域的推广分析方法让科学研究医务人员开始布局着手多激光结合的尺度努力学习解依此。

此番认出的这各个方面官方的第一篇博士论文应该是2017年9年末MIT博士生Fangchang Ma作为第一作写的，“Sparse-to-Dense: Depth Prediction from Sparse Depth Samples and a Single Image“。只不过第一篇官方的博士论文是在2017年8年末，来自德国Andreas Geiger科学研究团队的博士论文在International Conference on 3D Vision (3DV)登载，“Sparsity Invariant CNN”。

他们创新性的临时工使Kitti Vision Benchmark Suite启动了2018年的Depth Completion and Prediction Competition，不过MIT赢得了当年Depth Completion的季军。几天此前（2019年2年末）便一官方的在在博士论文，是来自University of Pennsylvania的科学研究团队，“DFuseNet: Fusion of RGB and Sparse Depth for Image Guided Dense Depth Completion”。

先为真是Sparsity Invariant CNN。读取是尺度绘出和对应的Mask绘出，后者就是指激光雷达类比到位绘出正方形有参数的标志绘出，为此设计者了一个统称sparse CNN的数学模型，假设了sparse convolution的layer：

结果想证明这种数学模型比传统意义CNN数学模型好：

便走看看MIT的方依此有。一开始还是“暴力”方依此有：其中会针对KITTi和NYU Depth（室内）设计者了相异数学模型

结果像是很好的：

差不多一年在此之后，监督努力学习RGB到尺度绘出的CNN方依此有和并用相邻帧群众运动的连续性强制执行self-learning方依此有也登载了，凭此方依此有MIT赢得了KITTI决赛的季军：

一个同时至少surface normals 和 occlusion boundaries的方依此有如下，听紧紧和单目尺度至少很相似的路数，“Deep Depth Completion of a RGB-D Image“：

这是AR一些公司MagicLeap登载的博士论文，“Estimating Depth from RGB and Sparse Sensing“：数学模型统称Deep Depth Densification （D3），

它通过RGB位绘出，尺度绘出和Mask绘出读取生成了两个相似性绘出：二者原属为一个feature map

看看结果：

便看另一个临时工 “Propagating Confidences through CNNs for Sparse Data Regression“：完全一致提出normalized convolution （NConv）layer的改开长处，基础训练的时候NConv layer通过至少的confidence score最大化地结合 multi scale 的 feature map

ICRA的博士论文“High-precision Depth Estimation with the 3D LiDAR and Stereo Fusion“只是在原属RGB image和depth map之此前先为通过几个convolution layer提取feature map：

看结果：其中会第三行是立体听觉正则表达式SGM的结果，第四行才是该方依此有的。

依此国INRIA的临时工，“Sparse and Dense Data with CNNs: Depth Completion and Semantic Segmentation“：不使用Mask读取（文章归纳其中会的原因是因为layer-by-layer的传送造成失灵），而逻辑划分作为基础训练的另一个目标。

作者发现CNN方依此有在后期层将RGB和尺度绘出并不需要原属读取机动性不如晚一些原属（这个和特殊任务层的结合比还是early fusion），这也是它的第二个发现，这一点和上个博士论文论述赞同。

看结果：

Note：在这两篇博士论文登载一年之此前，此番并未在实用新型申叮嘱中会把RGB位绘出和尺度绘出原属的两种CNN数学模型方依此有都讨论了，并且还补足了一种CNN在此之后使用CRF原属的数学模型方依此有，该长处也是来自于传统意义机器努力学习的方依此有。当然单目或者右眼位绘出读取都并未讨论。

有一篇文章，“Learn Morphological Operators for Depth Completion“，同样并用位绘出划分的长处来试图depth completion，只是它假设了一种Contra-harmonic Mean Filter layer相异哺乳类算子（structured element），放在一个U-Net数学模型：

ETH+Princeton+Microsoft的博士论文 “DeepLiDAR: Deep Surface Normal Guided Depth Prediction from LiDAR and Color Image“：还是需要读取Mask绘出（嗯嗯，有相异看依此吗），也引入了surface normal绘出大幅提高depth prediction，还有confidence mask，特别转入了attention选择性（目标驱动）。

看看结果：

博士论文“Dense Depth Posterior (DDP) from Single Image and Sparse Range“完全一致提出了两步努力学习依此，一是Conditional Prior Network (CPN) ，二是Depth Completion Network (DCN) ：

再次一个博士论文，是便一出来的“DFuseNet: Fusion of RGB and Sparse Depth for Image Guided Dense Depth Completion“：基于Spatial Pyramid Pooling (SPP) blocks 分别好好depth和image的encoder，基础训练的时候stereo不是能够的，mono也行（参照单目的尺度至少使用的基础训练方依此有）。

这里是SPP的内部结构：

此后面结果（2-3行）第2行是单目位绘出基础训练的，第3行是右眼立体位绘出基础训练的：

相比较简单归纳以下这各个方面尺度努力学习的临时工：大家都大概暴力基础训练的数学模型开始，便转入几何强制执行，联合基础训练的长处普遍不能接受。似乎拖延RGB和depth原属的时机是共识，分别基础训练feature map相比较好，要绝不会Mask绘出读取还有待讨论。

。

杭州白癜风治疗费用是多少
深圳男科检查多少钱
长沙癫痫检查哪家医院好
昆明甲状腺医院专家预约挂号
宁波妇科去哪看
感冒咳嗽怎么办
维生素d
耳鼻喉科
防治心绞痛药
支气管炎咳嗽