深度图补全（Depth Completion）指从一张稀疏深度图与相应的彩色图像中恢复出致密彩色图像的任务。随着低成本激光雷达在无人驾驶领域的广泛应用,从稀疏的激光雷达点云中恢复出致密的环境深度信息正引起越来越多研究者的关注。而大型深度图数据集的发布使得基于深度学习的方案大放光彩。因此,深度图补全网络模型的结构设计是当前此问题的关键所在。为更彻底的融合此两种模态数据,本文基于“从彩色图像和稀疏深度图中分别预测一张深度图”的思想,提出用一个简单的两分支网络精准地补全深度图。具体来说,一个分支输入彩色图和稀疏深度图,另一分支输入稀疏深度图和第一分支预测的深度图。由两分支预测的深度图具有互补性,因此被自适应地加权融合。此外,还提出了几何卷积层,仅仅简单地将三维坐标嵌入多尺度特征中即能在KITTI数据集上获得约10mm RMSE的性能提升。最后通过扩张的空间传播网络优化骨架网络预测出的深度图,并对其进行了加速实现。在此基础上,本文提出一种稀疏数据增强策略,即在训练时将稀疏深度图降采样至不同的稀疏程度输入网络,旨在使模型适应部署阶段可能因传感器或场景变化而产生的稀疏模式变化。通过分析,我们发现并非所有的模型都能受益于此数据增强策略,而所提出的两分支结构即在受益之列。尽管不包含任何稀疏不变算,两分支骨架网络模型在以数据增强策略训练后,亦具有稀疏不变性。扩展的消融实验和可视化结果表明,“稀疏——粗糙——精细”的两阶段设计是使模型鲁棒的关键所在。截止2020.11.01,本文提出的方法在无人驾驶公开数据集KITTI上排行第一,且作者就此学位论文答辩之时,在KITTI上所有的开源方法中排名第一。此外,所提出的稀疏数据增强策略,使得模型能不仅精准、而且鲁棒地补全深度图。