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

该研究提出了一种双网络结构及自组装注意力模块，可以直接处理高分辨率图像，从而更有效地生成高分辨率和高准确度的景深图，并在 KITTI 和 Make3D 数据集上实现了单目景深估计中最先进的结果。

Oct, 2019

本文介绍了一种结合深度学习和变分方法的 ATGV-Net 技术，用于实现单个深度图超分辨率过程，并展示其在不同基准测试下的最新成果。

Jul, 2016

本文提出一个基于多任务学习的联合深度图超分辨率与单目深度估计网络，采用不同的引导策略设计两个桥梁，一个是用于特征编码过程的高频注意力桥梁，另一个是用于深度图重建过程的内容引导桥梁，实验证明该方法在基准数据集上具有竞争性能。

Jul, 2021

本文提出一种深度学习方法用于图像超分辨率，采用卷积神经网络直接将低分辨率图片转换为高分辨率图片，能够实现较快的速度和超强的恢复质量，扩展支持三种颜色通道同时处理。

Dec, 2014

本研究提出一种多尺度渐进融合网络方法来处理深度图像的超分辨率问题，该方法采用异态结构用于整合不同领域的层次特征，并引入多维损失函数来约束明确的边界和细节，大量实验证明该方法在定性和定量方面均产生了优于最先进方法的改进结果。

Nov, 2020

本文提出了一种新颖的方法，将有向各向异性扩散技术和深度卷积神经网络相结合，实现了超分辨率深度图像的指导。该方法以前人的研究为基础，在边缘转移 / 增强性，与现代网络的上下文推理能力和严格的校准步骤的保证下，在三个常用的超分辨率指导深度准则下展现了前所未有的成果。

Nov, 2022

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

采用残差学习和反 Huber loss，提出了一种全卷积结构的模型，可通过单个 RGB 图像估计场景深度图，优于当前所有深度估计方法，且无需后处理技术，能够实时运行。

Jun, 2016

本文提出了一种卷积神经网络，它可以基于高分辨率强度图像得出上采样一系列稀疏范围测量的上下文线索，并且在网络中分离、融合两种模态的上下文线索，旨在利用两种模态之间的关系来产生准确的结果，同时尊重显著的图像结构。通过实验结果表明，该方法与当前最先进的方法相媲美，并可在多个数据集上进行有效泛化。

Feb, 2019