通过像素分类的方式实现单目图像深度估计，利用深度残差网络进行预测，同时采用全连接条件随机场 (CRF) 进一步提升效果。在室内和室外数据集上实现了最先进的性能表现。

May, 2016

本文提出了一种基于卷积神经网络的深度估计方法，结合迁移学习使用高性能网络初始化编码器以及增强和训练策略以获得更准确的结果，结果表明，即使是非常简单的解码器，我们的方法也能够产生细节详尽的高分辨率深度图像。

Dec, 2018

本研究采用多尺度卷积神经网络，提出一种单一 RGB 图像用于深度估计和语义分割的深度学习模型，该模型采用单一损失函数进行训练，同时使用完全连接的 CRF 捕捉语义和深度线索之间的上下文关系和交互作用，实现更精确的结果。在 NYUDepth V2 数据集上进行实验，该模型在语义分割方面表现优于最先进方法，在深度估计任务上实现可比较的结果。

Apr, 2016

本文提出了两种优化现有方法的方法：一种是通过网络结构融合不同尺度提取的特征，另一种是通过多种损失函数来测量训练中的推理错误。实验结果表明，这两种改进使得深度估计的精度显著提高，使得对小物体和物体边界的更细分辨率重建成为可能。

Mar, 2018

本文提出了一种在单个图像中利用深度卷积神经网络和连续条件随机场进行深度估计的方法，通过结构化学习方案统一学习了连续 CRF 的一元和二元潜力，并通过实验证明了其在室内和户外场景数据集上优于现有深度估计方法。

Nov, 2014

本文提出了一种使用卷积神经网络和条件随机场的深度学习模型，针对单目图像的深度估计问题，其中结构化的学习框架学习连续 CRF 的一元和二元势函数；基于全卷积网络和新的超像素池化方法，提出了一种更有效的模型，在室内外场景数据集上表现优于现有的深度估计方法。

Feb, 2015

通过对输入分辨率和场景结构对深度估计性能的影响进行分析，本文提出了一种使用深度合并网络，结合低分辨率和高分辨率估计的方法，以在一定精度下生成具有细节的高分辨率深度图像，其中包括双重估计方法和补丁选择方法。通过合并不同分辨率的估计并应用不同的上下文，本文在预训练模型的基础上生成了多兆像素的深度图像。

May, 2021

本文提出了一种使用卷积 - 解卷积神经网络进行单目遥感图像高度估计的方法，并使用柏林高分辨率航空图像数据集进行了验证，结果表明该方法有效。

Feb, 2018

使用深度学习的残差学习方法来提高立体重建质量，并可用于卫星图像等领域。在 ETH3D 基准和卫星图像领域，平均绝对误差降低了 50% 以上。

Jan, 2020

该研究提出了一种基于深度卷积神经网络的深度图像超分辨率方法，借鉴了深度场统计学和颜色 - 深度图像之间的局部相关性等先验知识，与当前最先进的深度图像超分辨率技术相比提升了很大的表现。

Jul, 2016