该研究介绍了一种基于单目深度估计，使用错误匹配视差地图训练立体匹配网络的方法，无需真实深度或手动设计人工数据即可将任何 RGB 图像列表转换为立体训练数据，并在 KITTI、ETH3D 和 Middlebury 等数据集上表现出色。

Aug, 2020

本研究提出了一种基于多个视差图来检查一致性的方法，以识别并过滤伪深度图中的错误，无需真实值（GT）和训练过程，并通过消除立体匹配易受攻击的错误区域，如无纹理区域、遮挡边界和反射表面，取得了比以往方法更好的实验结果。

Jan, 2024

本研究提出一种基于卷积神经网络的单张图像深度估计方法，使用更容易获取的双目立体视觉图像替代需要大量对应地面真实深度数据的监督式回归训练，通过利用同一场景下两个视点的对极约束，生成视差图，并利用一种新的训练目标函数，结合左右两张图像的视差图像互相匹配和校准，提高了深度估计的性能表现，从而实现了在 KITTI 数据集上的单张图像深度估计的最新领先水平，甚至超过了基于真实深度训练的监督式方法。

Sep, 2016

本文提出了一种灵活且轻量化的解决方案，该方案可实现自适应置信度估计，具备与任何立体系统（包括未公开视觉感知方法的消费和工业设备）的无缝集成性，并且可以在现场进行开箱即用的部署，通过使用计算机视觉和自监督学习等技术，该方案能够在输入立体对和输出视差映射的最小信息下进行学习和测量置信度度量。实验证明，该方案是首个为任何立体系统实现在线学习准确置信度估计而不需要对最终用户提出任何要求的方案。

Aug, 2020

本文提出的自监督方法能够在 KITTI 数据集上以最先进的精度预测深度图，并且能够用于在训练过程中估计深度图的不确定性。

May, 2020

本论文提出了新的一致性策略，包括自监督学习和半监督学习，以提高基于像素级运动描述能力，并在 KITTI-2015 景流基准测试中达到卓越的结果，实现前景准确性最佳的成果，其中且仅使用单眼图像输入。

Apr, 2022

本论文提出了一种基于卷积神经网络的方法，能够从立体输入中学习计算密集的视差图，使用图像变形误差作为损失函数，无需地面真实的视差图。该方法经过在 KITTI 和 Middlebury 立体基准数据集上的实验，证明优于许多现有技术并且速度更快。

Sep, 2017

通过将单视图合成问题扩展到多视图设置并利用可靠的和显式的立体先验来生成伪立体视角解决了学习问题中的模糊性，将具有挑战性的新颖视图合成过程分解为两个简单的问题：立体合成和三维重建。

Apr, 2023

本文回顾了十多年来用于立体匹配置信度估计的算法和策略，并评估了现有的置信度估计方法，包括手工设计的和最新的基于学习的方法，在五个标准数据集上进行实验，并首次将一个最先进的深度立体网络与置信度测量技术配对进行比较，旨在提供该领域的全面概述，并突出了基于学习的方法的优势和局限性。

Jan, 2021

该研究论文采用视图合成过程和立体匹配相结合的方法，将单目深度估计问题分解为两个子问题，并明确地在推断过程中施加几何约束条件。经验证明，这种方法的性能优于以往的方法，并且只需使用少量的真实训练数据，同时也具有良好的泛化能力。

Mar, 2018