.png){kind=icon}
返回
Input-robust depth completion for transparent objects
.png){kind=icon}
PRE
AI
DOI：10.1007/s00530-026-02683-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
透明物体由于其非朗伯光学特性，对RGB-D深度传感器构成显著挑战，导致深度测量不完整或错误。现有用于透明物体深度补全的深度学习方法对原始深度图输入存在过度依赖，使其易出现两种关键失效模式：(1) 与不同深度相机部署时产生传感器域偏移；(2) 深度图扰动下性能下降。为解决这些局限性，我们提出RIDCNet（鲁棒输入依赖深度补全网络），通过显式引入基于RGB图像的表面法线估计提取尺度不变几何特征，以减少对原始深度的依赖。我们的架构将特征提取解耦为两个并行分支：RGB到法线分支用于从RGB图像中提取尺度不变几何线索，深度到深度分支用于处理原始深度。引入跨任务融合模块以整合两分支间的互补信息。在基准数据集上的大量实验表明，RIDCNet在达到当前最佳性能的同时表现出卓越的鲁棒性：在合成深度扰动下保持竞争力精度，并相比先前方法实现更优的跨传感器泛化能力。
Keyword:
Depth estimation
Transparent objects
Depth sensors
期刊
IF:
3.1
论文数:
2.8K
被引数:
2.7K
机构
引用论文
DCDU-VMamba: Depth Completion of Transparent Objects With Dual U-VMamba for Robotic GraspDCDU-VMamba：利用双U-VMamba进行透明物体深度图补全以实现机器人抓取
PREAI
分享收藏TransCG: A Large-Scale Real-World Dataset for Transparent Object Depth Completion and a Grasping BaselineTransCG: 用于透明对象深度完成和抓取基线的大规模真实数据集
PREAI
分享收藏分享收藏PAR-mono: monocular video depth estimation network based on channel separation and dynamic attention.png)
MULTIMEDIA SYSTEMS
MULTIMEDIA SYSTEMSIF3.1
PREAI
分享收藏CrysFormer++: Dual-phase refinement learning for transparent object depth estimationCrysFormer++：用于透明物体深度估计的双相精炼学习
PREAI
分享收藏SRSA-Depth: shape and region similarity awareness for outdoor monocular depth estimationSRSA-Depth：面向室外单目深度估计的形状与区域相似性感知MULTIMEDIA SYSTEMS
MULTIMEDIA SYSTEMSIF3.1
PREAI
分享收藏
查看更多内容