本文提出了一种自监督学习框架来同时训练两个卷积神经网络 (CNNs)，从单个图像预测深度和表面法线，通过一个简单的深度 - 法线一致性软约束，该框架假设自然场景具有分段平滑的法线，通过训练得到的表面法线网络提供了最先进的预测，而深度网络依赖更现实的平滑法线假设，在 KITTI 基准测试中比传统的自监督深度预测网络表现更好。
Mar, 2019
该研究探讨了针对野外图像的单幅图像深度估计问题。研究使用人工标注表面法线进行训练，并使用两个新颖的损失函数进行训练。研究表明，该方法可以显著提高野外深度估计质量。
Apr, 2017
利用表面法线预测和外观线索从大型 CAD 库中检索 2D 静态图像中所描述的物体的 3D 模型，该模型基于预训练 Oxford VGG 卷积神经网络（CNN），实现了关于表面法线预测的 NYUv2 RGB-D 数据集的最新准确性，并在姿态和风格的联合学习中实现了所述的 3D 模型检索操作。
Apr, 2016
本文提出了一个利用多尺度卷积神经网络实现计算机视觉中深度预测、表面法线估计和语义标签等任务的方法，并在各项任务的基准测试中实现了最优表现。
Nov, 2014
使用 Transformer 从带有噪声和密度变化的点云中准确预测法线，在合成形状数据集 PCPNet 和真实世界室内场景数据集 SceneNN 上实现了最先进的性能，表现出更强的抗噪性和显著更快的推理速度，同时证明了现有工作中的复杂手工设计模块在表面法线估计任务中并非必需。
Jan, 2024
该研究提出了一种基于图神经网络和自适应各向异性核的表面法线估计算法，不需要任何手动特征或预处理，优于现有深度学习方法，在保留尖锐特征和空间等变性的同时，速度和参数效率均为同类算法的两个数量级。
Apr, 2019
通过对卷积神经网络的可视化，利用优化问题识别最少的图像像素来实现单张图像的深度推断，该方法在室内和室外场景数据集上得到了有效应用，结果有助于探究如何通过卷积神经网络从单张图像中推断深度的问题。
介绍了一种用于 360 度图像的单目表面法线估计架构 PanoNormal，通过使用多级全局自注意机制和考虑球面特征分布，结合了 CNN 和 ViTs 的优势，实现了在多个流行的 360 度单目数据集上的最先进性能。
May, 2024
本研究提出了一种基于表面法向量表示的深度无监督学习方法，通过构建深卷积网络层次结构，融入了边缘感知、光度误差和梯度平滑等前沿技术，从而实现单幅图像深度重建过程中的多种挑战，包括深度 / 法向量不连续和图像边缘保留等问题。在实验中，我们应用 KITTI 和 NYUv2 的室内外数据集来验证我们的算法的高效性和优越性。
Nov, 2017
本研究提出了一种用于光度立体图像的卷积神经网络结构，通过物理学建模的无监督学习框架，可以进行表面法线和反射率预测，并且在实际场景中达到了最先进的性能表现。
Feb, 2018