引言：為何深度補全仍是視覺感知關鍵
在機器視覺與機器人應用中，**深度補全**（depth completion）扮演重要角色，因為許多深度感測器只能提供稀疏或不完整的距離量測。近年研究指出，直接將 RGB 特徵與深度混合會導致**紋理複製**與邊緣模糊等問題，因此新一代方法開始探索如何在不同域（如頻域）下更精細地融合多模態資訊。
本文整理近期幾種重要思路，包括基於頻域分解的條件式精修、採樣策略的再檢視、以 RGBD 條件化的生成式補全，與跨模態相關性的深度學習框架，說明它們如何各自緩解傳統融合的缺點並提升重建品質。
頻域引導的稀疏到密集方法與可靠性調制
一類最新方法透過將 RGB 特徵分解為小波子帶（wavelet sub-bands），在**頻域**中分離結構（低頻）與紋理（高頻），並學習內容自適應的濾波核：對低頻採取平滑傳播，對高頻則保留銳利邊界。此策略把 RGB 當作條件訊號（conditioning）來決定何時與如何濾波，而不是直接把 RGB 特徵與深度表示相混合，因此能有效抑制**紋理複製**問題。
為了進一步提升穩健性，研究者還引入了一種**可靠性感知的跨階段調制**（reliability-aware cross-stage modulation），利用編碼器特徵作為先驗來增強可信的結構、壓制不確定的更新，於多尺度重建流程中減少錯誤傳播並產生具有銳利邊緣且低雜訊的密集深度圖。原文作者指出此類方法在基準資料集上達到高保真度與競爭性的結果。
採樣策略與遷移性：從經驗到實務影響
除了模型架構，採樣策略也是深度補全的重要影響因子。有研究回顧並重新檢驗了「稀疏到密集」任務中的採樣方法，發現不同的採樣（隨機取樣 vs. golden/策略性取樣）會導致顯著的重建差異。在某些實驗中，固定特徵擷取器僅微調最後一層即可觀察到模型在跨資料集上的遷移性改善，顯示特徵層的泛化能力對實務部署很有幫助。
這類研究提醒我們，在設計系統時不只要優化網路架構，也要將感測器的採樣規則、訓練與測試時的取樣一致性納入考量，以確保模型在不同場景下能保持穩定表現。
RGBD 條件化與生成式補全：融合幾何與生成能力
另一條顯著的研究脈絡是把生成式模型（如條件擴散或類似的生成網路）與實際的深度量測結合，提出以 RGBD 條件化的生成式深度補全方法。比較簡單的條件策略（如直接以 RGB + 感測深度 + 缺失遮罩 conditioning）在某些設定下，反而比複雜的控制網路（ControlNet 類）更穩定，能在缺失區域提供更準確的深度預測。
這類方法的實務價值在於它們能利用雜訊但真實的感測深度作為幾何線索，並藉由生成模型彌補感測空缺，進而改善如場域機器人導航、3D 重建與物件抓取等下游任務。
跨模態相關學習、實驗基準與未來方向
除了頻域與生成式策略，還有研究從統計相關性的角度出發，如以二維典型相關分析（2D2CCA）來強制多模態編碼器學習最相似的語義特徵，並用以補全深度。這類方法證明在多種稀疏模式下可以達到強健的補全效果，對真實世界有參考價值。
要深入了解這些方法的基礎與歷史參考，可以閱讀早期的工作，例如 Ma & Karaman 在 arXiv 上提出的「Sparse-to-dense」研究，以及 Zhang 等人在 CVPR 中提出的單張 RGB-D 深度補全方法：
Sparse-to-dense 深度補全 與
Deep Depth Completion，這些工作奠定了現今多數方法的實驗基準與評估標準。
結語：從頻域到生成式，深度補全的多元路徑
總結來看，最新研究顯示在深度補全任務中，單純的 RGB 與深度特徵直接融合已不再是最佳做法。以**頻域**作為分離結構與紋理的工具、結合**可靠性感知**的多尺度調制，以及把真實感測深度作為生成式模型的條件，都能在不同面向緩解紋理複製、邊緣模糊等問題，並提高最終密集深度圖的品質。
未來實務應用將需同時考量採樣策略、跨資料集遷移性與多模態相關性學習，才能在真實世界部署中取得穩健且高品質的深度補全結果。
