GAC-Net:一个几何注意力融合网络,用于从LiDAR和图像中完成稀疏深度
Xingli Gan1, Kuang Zhu1, Min Sun1
1School of Computer Science and Technology, Zhejiang University of Science and Technology, Hangzhou 310023, China.
Sensors (Basel, Switzerland)
|September 13, 2025
概括
本研究介绍了GAC-Net用于深度完成,改善3D几何理解和多模式融合. 几何注意力融合网络在KITTI基准上取得了最先进的结果.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
背景情况:
- 深度完成从稀疏的LiDAR和RGB数据重建密集的深度地图.
- 像BPNet这样的现有方法很有希望,但可以通过更好的3D几何先验和自适应融合来改进.
研究的目的:
- 提出GAC-Net,一个新的几何注意力融合网络.
- 增强几何表示和交叉模式融合以完成深度.
主要方法:
- 一个双分支的PointNet++-S编码器从稀疏的点云中提取尺度感知的几何特征.
- 频道注意力将这些特征融合在一起,形成了强大的3D表示.
- 一个基于频道关注的特征融合模块 (CAFFM) 适应性地集成几何,RGB和深度特征.
主要成果:
- 在KITTI深度完成基准上,GAC-Net实现了680.82mm的根平均平方误差 (RMSE).
- 这种表现在提交时在同行评审的方法中排名第一.
结论:
- GAC-Net有效地增强了几何表示和交叉模式融合,以深度完成.
- 拟议的网络在标准基准上表现出卓越的性能,推动了该领域的发展.


