引导方法深度补全系列—基于SPN模型—1—《Depth estimation via affinity learned with convolutional spatial propagat》文章细读

最新推荐文章于 2025-04-19 18:23:53 发布

原创

最新推荐文章于 2025-04-19 18:23:53 发布 · 860 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #人工智能 #计算机视觉 #神经网络

本文介绍了一种改进的卷积空间传播网络(CSPN)，它通过局部同时更新和深度细化，优化深度输出并处理稀疏深度样本。CSPN结合ResNet特征提取和镜像连接，利用拉普拉斯矩阵实现更准确的深度图更新。研究应用于深度估计任务，提升SOTA效果。

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

创新点

1.改进了SPN网络，主要是更新方式上从串行扫描改为局部同时更新，也就是CSPN

网络结构

首先总的结构采用了早期融合模型的框架，但这里的稀疏深度图输入是一个可选输入，指导深度细化，然后将SPN网络嵌入整个网络中而不是专门构建新的网络学习相似性，特征提取使用的是resnet，考虑到下采样过程中会丢失空间信息，网络添加了镜像连接将特征连接到上投影层，特征融合后得到一个深度图，然后根据相似性矩阵更新深度图得到稠密准确的结果。