Key points are not available for this paper at this time.
Eine genaue Tiefenkarte der Umgebung ist entscheidend für den sicheren Betrieb von autonomen Robotern und Fahrzeugen. Derzeit werden entweder Lichtdetektion und -entfernung (LIDAR) oder Stereoübereinstimmungsalgorithmen verwendet, um solche Tiefeninformationen zu erfassen. Ein hochauflösendes LIDAR ist jedoch teuer und erzeugt in großen Entfernungen spärliche Tiefenkarten; Stereoübereinstimmungsalgorithmen sind in der Lage, dichtere Tiefenkarten zu erzeugen, sind jedoch typischerweise weniger genau als LIDAR auf langen Strecken. Dieses Papier kombiniert diese Ansätze, um qualitativ hochwertige, dichte Tiefenkarten zu generieren. Im Gegensatz zu früheren Ansätzen, die mit Ground-Truth-Labels trainiert werden, verwendet das vorgeschlagene Modell einen selbstüberwachenden Trainingsprozess. Experimente zeigen, dass die vorgeschlagene Methode in der Lage ist, qualitativ hochwertige dichte Tiefenkarten zu erzeugen und selbst mit niedrigauflösenden Eingaben robust funktioniert. Dies zeigt das Potenzial, die Kosten zu senken, indem LIDAR-Geräte mit niedrigerer Auflösung in Verbindung mit Stereo-Systemen verwendet werden, während eine hohe Auflösung beibehalten wird.
Zhang et al. (Freitag) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: