提出一种基于无监督学习的深度估计方法，通过探索角度的一致性和权重平滑性，实现在真实场景数据下进行更高精度的深度估计。

Jun, 2021

基于非学习的优化方法，该论文提出了一种新的方法，通过明确考虑光场的 4D 几何模型，来利用 4D 几何信息进行深度估计，实验结果表明，该方法在表面法线角度精度方面优于现有的学习和非学习的方法，在平面表面上的平均中位角误差比现有方法低 26.3％，在均方误差 ×100 和 Badpix 0.07 方面与现有方法具有竞争力。

Mar, 2024

本研究提出了一个基于层级累加代价体积和遮挡感知技术的光场深度估计方法，该方法利用相机阵列的子孔径图像对中心图像进行提取深度，同时通过引入遮挡地图来提高深度的估计准确性。实验证明了该方法比同类方法更加精确和高效。

May, 2023

本文提出了一种深度估计框架，通过超像素的规则化来检测部分遮挡边界区域，结合标签置信度图和边缘强度权重的缩减 / 强制操作，可以修复一些复杂场景中的深度估计问题。实验结果表明，在平均视差误差率、遮挡边界精确度和特征保存等方面，该方法优于现有的最先进的深度估计方法。

Aug, 2017

提出了一种基于学习的多帧深度估计方法，通过引入组合法线图约束和遮挡感知策略，能更好地保留室内场景中的高曲率特征和全局平面区域，并优于其他算法在深度估计精度和保存几何特征方面的表现。

Apr, 2020

该论文通过学习预测 2D 位移场，以重采样像素来改进目前单 ocular 深度估计方法中存在的导致 <?occlusion?> 边界平滑、定位精度差的问题，从而提高了物体识别和场景重建的精度。

Feb, 2020

本研究提出了一个简单且高效构造光场深度估计匹配成本的方法，通过一系列具有特定设计膨胀率的卷积构成成本构造器，能够在不使用任何移位操作的情况下，将预定义视差下的像素进行整合匹配并处理遮挡情况，所提方法在光场深度估计的深度网络建模中取得了较好的表现。

Mar, 2022

该论文提出了一种新算法，可以同时实现在任意 6-DOF 摄像机运动和不受限制的场景深度下的高质量光场去模糊和深度估计，通过利用光场的多视角特性，减轻了优化的反演性质，利用强深度线索和多视角模糊观察。

Nov, 2017

本文提出了一种基于神经网络的模型，使用颜色图像和虚拟几何的深度信息，在不需要深度回归的情况下直接预测遮挡掩模，从而提高增强现实中虚拟物体与现实世界之间遮挡关系的准确性和稳定性。

May, 2023

本文提出了一种分层可变形部件模型，用于面部检测和地标定位，能够明确地模拟部件遮挡，这允许我们使用大量的合成遮挡样本数据，以灵活地整合遮挡模式的统计，从而使检测系统在顶部准确性方面胜过传统系统，同时在未遮挡的情况下保持了竞争力。

Jun, 2015