HMS-Net: 層階的マルチスケールスパーシティ不変ネットワークによる疎深度完成

濃密な深度情報は、様々なコンピュータビジョンのタスクにおいて重要な役割を果たし、広範な応用が見られます。自動運転車両では、LIDARセンサが車両周辺の環境を認識するために深度測定値を取得するために使用されています。しかし、LIDARのハードウェア制約により、得られる深度マップは一般的に疎であることが問題となっています。この課題に対処するため、疎密度補完（depth completion）というタスクへの注目が高まっています。これは、入力として与えられた疎な深度マップから濃密な深度マップを生成することを目指しています。多尺度特徴量を効果的に利用するために、我々は3つの新しい疎不変操作（sparsity-invariant operations）を提案します。これらの操作に基づいて、疎な入力と疎な特徴マップを扱うための疎不変多尺度エンコーダー-デコーダーネットワーク（HMS-Net）も提案されます。さらに、RGB特徴量を取り入れることで深度補完の性能向上が期待できます。我々は2つの公開ベンチマークデータセット、KITTI深度補完ベンチマークとNYU-depth-v2データセットに対して広範な実験と構成要素分析を行い、提案手法の有効性を示しました。2018年8月12日時点でのKITTI深度補完リーダーボードにおいて、RGB情報を使用しない全ての査読済み方法の中で我々の提案モデルは1位となりました。また、RGB情報を使用する全ての方法の中でRGBガイド付きモデルは2位となりました。以上のように翻訳することで、原文の内容や専門的な表現を保ちつつ、日本語での読みやすさと自然さも確保しています。