频域蒸馏深度完成网络

仅LiDAR输入媲美引导方法

训练时用相机图像在频域对齐特征，推理时仅凭激光雷达点云即可实现高精度稠密深度估计，摆脱对相机的依赖。

Liu, Moyun · 陈冰 · Youping, Chen · 谢经明 · Lei, Yao · 张杨 · Qin, Hu · Du, Jiawei · Zhou, Joey Tianyi

IEEE Transactions on Intelligent Vehicles 2024

技术优势

推理无需相机

在训练阶段用相机图像在频域对齐特征进行蒸馏，推理时完全丢弃相机，仅用稀疏LiDAR即可得到稠密深度。

超越现有无相机方法

在KITTI深度补全基准上，BUNet优于所有在推理阶段不使用相机图像的方法。

频域蒸馏提精度

分析表明局部窗口内的频率分布对深度补全至关重要，因此在频域对齐LiDAR和相机特征，提升深度估计精度。

应用场景

• 自动驾驶环境感知：用稀疏LiDAR实时生成稠密深度，不受相机失效影响。
• 移动机器人导航：仅靠车载LiDAR即可获得稠密深度，避免相机标定与光照干扰。
• 具身智能深度感知：在缺少相机或相机不可靠时，提供可靠的稠密深度感知。