该论文面向常用深度传感器的深度补全任务，提出了一种注意力引导的门控卷积网络（AGG-Net）。网络模型采用了编码-解码架构，包括一种注意力引导门控卷积（AG-GConv）模块，以及一种注意力引导跳连接（AG-SC）模块，高效地去除了无效深度和无关特征所带来的负面影响。实验结果表明，该方法在知名数据集NYU-Depth V2、DIML和SUNRGB-D上均优于现有的其他方法。
陈东岳教授长期从事深度学习与计算机视觉交叉领域研究，重点关注视觉异常检测、多模态视觉、行人重识别与人体三维建模等方向。主持和参与国家重点研发计划课题、国家自然科学基金地区联合基金、面上项目和青年基金、国家863子课题、国家973子课题、辽宁省自然科学基金等多项国家省部级课题。在IEEE汇刊、Pattern Recognition、自动化学报、中国图像图形学报等国内外重要期刊及国际会议上发表论文80余篇，授权国家发明专利10余项；多次获得辽宁省教学成果一等奖、辽宁省一流本科课程、辽宁省自然科学学术成果奖一等奖、宝钢优秀教师等奖项和荣誉。
据悉，ICCV是计算机视觉领域顶级会议（CCF A类），由IEEE主办，与计算机视觉模式识别会议(CVPR)和欧洲计算机视觉会议(ECCV)并称计算机视觉方向的三大顶级会议，被澳大利亚ICT学术会议排名和中国计算机学会等机构评为最高级别学术会议，在业内具有极高的评价。ICCV在世界范围内每两年召开一次，2021年论文录取率为25.9%，是计算机视觉领域平均录用率最低的会议之一。根据权威Google Scholar Citation统计，ICCV的H5 index为239，位列全球所有出版物总排名第17位。
