Sparsity Agnostic Depth Completion

要約

多くの実際のアプリケーションで異なる可能性が非常に高い深度ポイントのスパース性にとらわれない、新しい深度補完アプローチを提示します。
最先端のアプローチは、入力ポイントの特定の密度と分布、つまりトレーニング中に観察されたものを処理する場合にのみ正確な結果をもたらし、実際のユースケースでの展開を絞り込みます。
それどころか、私たちのソリューションは、トレーニング中に見られなかった不均一な分布や非常に低い密度に対して堅牢です。
標準的な屋内および屋外のベンチマークでの実験結果は、フレームワークの堅牢性を強調しており、トレーニングと同等の密度と分布でテストした場合、最先端の方法に匹敵する精度を達成し、他の場合ははるかに正確です。
事前トレーニング済みのモデルとその他の資料は、プロジェクト ページで入手できます。

要約(オリジナル)

We present a novel depth completion approach agnostic to the sparsity of depth points, that is very likely to vary in many practical applications. State-of-the-art approaches yield accurate results only when processing a specific density and distribution of input points, i.e. the one observed during training, narrowing their deployment in real use cases. On the contrary, our solution is robust to uneven distributions and extremely low densities never witnessed during training. Experimental results on standard indoor and outdoor benchmarks highlight the robustness of our framework, achieving accuracy comparable to state-of-the-art methods when tested with density and distribution equal to the training one while being much more accurate in the other cases. Our pretrained models and further material are available in our project page.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google