HMS-Net：分层多尺度稀疏不变网络用于稀疏深度补全

密集深度线索在各种计算机视觉任务中具有重要意义和广泛应用。在自动驾驶领域，车辆通常采用激光雷达（LIDAR）传感器获取周围环境的深度测量数据。然而，由于硬件限制，激光雷达获得的深度图通常较为稀疏。因此，深度补全任务逐渐受到关注，其目标是从输入的稀疏深度图生成密集的深度图。为了有效利用多尺度特征，我们提出了三种新的稀疏不变操作，并基于这些操作设计了一种能够处理稀疏输入和稀疏特征图的多尺度编码器-解码器网络（HMS-Net）。此外，还可以融合RGB特征以进一步提升深度补全性能。我们在两个公开基准数据集——KITTI深度补全基准和NYU-depth-v2数据集上进行了广泛的实验和组件分析，证明了所提出方法的有效性。截至2018年8月12日，在KITTI深度补全排行榜上，我们提出的无RGB引导模型在所有未使用RGB信息的同行评审方法中排名第一；而我们的有RGB引导模型则在所有使用RGB信息的方法中排名第二。