摘要
LiDAR深度图在多种应用场景中提供了环境感知的指导信息。然而，这类深度图通常稀疏，难以满足自动驾驶等复杂任务的需求。当前最先进的方法采用图像引导的神经网络实现稠密深度补全。本文提出一种新型的引导卷积神经网络，专注于从稀疏深度图中提取稠密且有效的信息。为此，我们引入了一种新型卷积层，该层采用空间可变且与内容相关的空洞率（dilation），以从稀疏输入中融入更多有效数据。此外，我们还提出了一种对稀疏性不变的残差瓶颈模块（sparsity invariant residual bottleneck block）。我们在KITTI深度补全基准数据集上对所提出的稠密有效性掩码网络（Dense Validity Mask Network, DVMN）进行了评估，取得了当前最优的性能。在投稿时，本方法是唯一采用稀疏性不变卷积结构并位居榜首的网络模型。