Deep Depth Completion from Extremely Sparse Data: A Survey

要約

深度補完は、LiDAR などの深度センサーからキャプチャされた非常にまばらなマップから、高密度のピクセル単位の深度を予測することを目的としています。
自動運転、3D 再構築、拡張現実、ロボット ナビゲーションなど、さまざまなアプリケーションで重要な役割を果たします。
このタスクに関する最近の成功は、ディープ ラーニング ベースのソリューションによって実証され、支配されています。
この記事では、読者が研究の傾向をよりよく把握し、現在の進歩を明確に理解するのに役立つ包括的な文献レビューを初めて提供します。
ネットワーク アーキテクチャ、損失関数、ベンチマーク データセット、および学習戦略の設計面から関連する研究を調査し、既存の方法を分類する新しい分類法を提案します。
さらに、屋内および屋外のデータセットを含む、広く使用されている 3 つのベンチマークでモデルのパフォーマンスを定量的に比較します。
最後に、以前の研究の課題について議論し、将来の研究の方向性についていくつかの洞察を読者に提供します.

要約(オリジナル)

Depth completion aims at predicting dense pixel-wise depth from an extremely sparse map captured from a depth sensor, e.g., LiDARs. It plays an essential role in various applications such as autonomous driving, 3D reconstruction, augmented reality, and robot navigation. Recent successes on the task have been demonstrated and dominated by deep learning based solutions. In this article, for the first time, we provide a comprehensive literature review that helps readers better grasp the research trends and clearly understand the current advances. We investigate the related studies from the design aspects of network architectures, loss functions, benchmark datasets, and learning strategies with a proposal of a novel taxonomy that categorizes existing methods. Besides, we present a quantitative comparison of model performance on three widely used benchmarks, including indoor and outdoor datasets. Finally, we discuss the challenges of prior works and provide readers with some insights for future research directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google