引导方法深度补全系列—显式3D模型—1—《Deeplidar: Deep surface normal guided depth prediction for outdoor scene from 》

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

目录

创新点

一、文章概述

二、方法详解

1.网络结构

2.DCU深度补全单元

3.基于注意力的整合

4.损失函数

总结

---

创新点

1.估计曲面法线用于指示远处区域

2.估计置信掩码用于指示近处遮挡区域

3.改进的后期融合模型

---

一、文章概述

1.估计曲面法线作为中间表示，以生成密集深度，并将彩色图像和表面法线的估计与学习的注意力地图相结合，以提高深度精度。

2.提出了一种改进的编解码结构，以有效地融合稀疏深度和密集颜色图像。

3.网络预测了一个置信掩码，以处理遮挡区域。

二、方法详解

1.网络结构

颜色路径和表面法线路径。颜色路径以彩色图像和稀疏深度作为输入，输出完整深度。曲面法线路径首先从输入的彩色图像和稀疏深度预测曲面法线图像，然后将其与稀疏深度和从颜色路径学习的置信掩码结合在一起，以生成完整的深度。这两条路径中的每一条都用一堆深度完成单元（DCU