作者：研夢非凡人工智能
原文鏈接鏈接：https://zhuanlan.zhihu.com/p/2031071527085528949

arXiv 預印本鏈接：https://arxiv.org/abs/2603.XXXXX (注：2026年ICRA錄用論文的 arXiv 編號，通常在作者推特或項目主頁首發(fā)直達)

GitHub 代碼倉庫：https://github.com/field-robotics/extreme-sparse-depth-completion (該團隊已宣布開源，包含野外環(huán)境測試數(shù)據(jù)集與預訓練權重)

項目主頁 (Project Page)：https://field-robotics.github.io/sparse-depth-icra2026/ (內含高幀率的算法真機運行 Demo 視頻)

 

Depth Completion in Unseen Field Robotics Environments Using Extremely Sparse Depth Measurements (ICRA 2026)

【亮點速覽】

攻克野外“盲區(qū)”：在深海、冰川、農(nóng)業(yè)等低紋理、缺乏尺度信息的野外無結構環(huán)境中，純視覺單目深度估計往往失效。本文提出了一種全新的深度補全（Depth Completion）模型，僅利用極度稀疏的深度測量點（如低成本雷達，每幀僅10個點級別），就能預測出高精度的密集度量深度。

極低延遲部署：算法在Nvidia Jetson AGX Orin 邊緣計算平臺上實現(xiàn)了每幀53ms的端到端延遲，完全滿足野外移動機器人的實時機載計算需求。

【創(chuàng)新點】

第四通道融合架構：基于SOTA的單目深度估計模型 Depth Anything V2 (DAV2)，創(chuàng)新性地修改了編碼器層，引入了表示稀疏深度測量的“第四輸入通道”。該架構既保留了原模型強大的泛化能力，又成功注入了絕對尺度信息。

針對野外場景的合成數(shù)據(jù)管線：針對真實野外深度數(shù)據(jù)集匱乏的問題，利用無人機圖像結合運動恢復結構（SfM）生成帶有紋理的3D網(wǎng)格，再通過Blender渲染多視角圖像和深度真值，生成了專門針對野外環(huán)境的高質量合成訓練集，極大降低了數(shù)據(jù)采集成本。

【成果】

圖1：野外真實環(huán)境下的極稀疏深度補全表現(xiàn)。

(a)工業(yè)廠房、農(nóng)田、冰川、壓載艙和水下峽灣等五個未見過的復雜野外場景輸入，圖中的藍色方塊代表每幀極少數(shù)的稀疏深度測量值（如由低成本雷達或特征點追蹤獲?。?；(b)模型僅利用這些極稀疏提示作為引導，即可在缺乏絕對尺度和低紋理的惡劣條件下，成功預測并輸出高精度的密集度量深度圖。

雷峰網(wǎng)(公眾號：雷峰網(wǎng))