深度图像缺失值填充网络

点云分割精度提升

通过新投影方法SU++和依赖距离的KNN插值填充深度图像缺失值，使现有分割模型性能一致提升。

Chen, Bike · Gong, Chen · Röning, Juha J.

IEEE Transactions on Intelligent Vehicles 2025

技术优势

缺失值大幅减少

新投影方法SU++避免了生成深度图像时出现大量缺失值。

剩余缺失值可填充

依赖距离的KNN插值方法能有效填充剩余的缺失值，恢复物体几何信息。

现有模型即插即用提升

将所提出的SU++和KNNI应用于现有基于深度图像的分割模型，无需修改模型即可一致提升性能。

应用场景

• 自动驾驶感知：提升自动驾驶车辆对周围环境的3D感知精度，减少因缺失值导致的误分割。
• 机器人导航：为机器人导航提供更完整准确的环境几何信息，增强避障和路径规划能力。
• 3D场景理解：恢复深度图像中缺失的物体形状信息，从而获得更连贯的场景理解。
• LiDAR点云处理：减少LiDAR点云生成深度图像时的信息损失，提高后续处理质量。