引导方法深度补全系列—基于SPN模型—5—《Dynamic spatial propagation network for depth completion》文章细读

原创

已于 2022-09-13 00:02:35 修改 · 1.1k 阅读

2 ·

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

于 2022-09-12 02:47:32 首次发布

本文提出了一种创新的深度学习模型——动态空间传播网络（DYPN），通过非线性传播模型和扩散抑制操作，有效解决了深度图迭代过程中的过度平滑问题，并通过三种变体优化了计算资源消耗。该工作针对SPN和CSPN的局限，改进了亲和度表示和像素邻域处理方式。

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.提出了动态空间传播网络，一种非线性传播模型，动态调整亲和力权重

*2.扩散抑制操作，防止迭代过拟合造成深度过于平滑

文章概述

1. 我们提出的动态空间传播网络（dynamicspatialpropagationnetwork，dypn）利用了非线性传播模型（NLPM）。它将邻域分解为关于不同距离的部分，并递归地生成独立的注意力图，以将这些部分细化为自适应亲和矩阵。在传播开始时，远邻域提供长距离信息填充初始深度图的空洞并快速平滑。随着深度图变得更密集，近邻更加关注边缘保持。注意力机制根据每个传播阶段调整亲和矩阵，使过程更加准确和高效