摘要
深度补全旨在从稀疏深度图中恢复出稠密的深度图，通常借助彩色图像来辅助完成这一任务。近年来的研究主要聚焦于图像引导的学习框架，以实现稠密深度的预测。然而，图像中模糊的引导信息以及深度图中不清晰的结构特征，仍然制约着图像引导框架的性能提升。为解决上述问题，本文在图像引导网络中引入了一种重复性设计，以逐步且充分地恢复深度值。具体而言，该重复机制同时体现在图像引导分支与深度生成分支中：在图像引导分支中，设计了一种重复式沙漏网络（hourglass network），用于提取复杂环境下的判别性图像特征，从而为深度预测提供强有力的上下文指导；在深度生成分支中，提出了一种基于动态卷积的重复性引导模块，并引入一种高效的卷积分解策略，既能有效降低模型复杂度，又能逐步建模高频结构信息。大量实验结果表明，所提方法在KITTI基准测试和NYUv2数据集上均取得了优越或具有竞争力的性能。