【论文详解】In Defense of Classical Image Processing: Fast Depth Completion on the CPU-优快云博客

本文链接：https://blog.youkuaiyun.com/LCJhust2012/article/details/81356230

论文《In Defense of Classical Image Processing: Fast Depth Completion on the CPU》提出了一种基于经典图像处理的快速深度补全算法，无需训练数据和深度学习模型。该算法在CPU上实现90Hz频率，效果在KITTI benchmark中领先。包括深度反转、自定义核膨胀、小孔闭运算等8个步骤，以填充稀疏深度图。然而，对于不同稀疏分布的数据，算法效果可能受限。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文《In Defense of Classical Image Processing: Fast Depth Completion on the CPU》提出了一种用经典的图像处理算法进行深度补全的算法，不依赖于任何训练数据，没有使用深度学习模型。

主要贡献：

1.提出了一种快速的深度补全的算法，能从稀疏的深度图中恢复完整的深度图，并且在CPU上可达到90Hz的频率。该算法的效果在KITTI depth completion benchmark中排名第一（公布时）；

2.该算法的表现超越了其他现有的CNN算法。

本文提出的算法一种包含8个步骤：

（1）Depth Inversion：对于稀疏图像的处理机制是应用OpenCV的形态学操作，用较大的像素值覆盖较小的像素值。数据集KITTI raw depth map，深度值范围在0~80米之间，没有有效深度值的位置用0填充。在这种情况下，如果直接应用膨胀操作会使大距离覆盖掉小距离，从而导致较近对象的边缘信息丢失。为了解决这个问题，将有效深度做一个invert，即D(inverted) = 100.0-D(input)，这样在有效深度和空值之间有一个20m的buffer。

（2）Custom Kernel Dilation（用自定义的核进行膨胀操作）：先填充最接近有效像素值的空值，关键在于kernel形状的设计，要使得最可能具有相同深度值的像素被填补。因此在这一步采用的是5*5的菱形kernel，形状如下图：