SDformer：高效的端到端变换器用于深度补全
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了深度补全任务中传统卷积神经网络(CNN)在表现力有限的问题，提出了一种新的基于窗口的变换器架构SDformer。该方法通过结合深度图和RGB图像特征，并以不同窗口大小提取长距离深度依赖性，显著提升了深度补全的效果，同时降低了计算负载和参数量。SDformer在NYU Depth V2和KITTI DC数据集上表现出色，跨越了CNN表现的限制。
本文介绍了激光雷达深度补全的研究进展，使用LSTM和Transformer模块进行深度估计，并通过门机制和注意力机制实现特征融合。实验证明，该方法在自动驾驶KITTI基准数据集上取得了第一名的成绩。
