采用间距增加离散化（SID）策略将深度网络学习重新构建为顺序回归问题，采用累积回归损失训练网络，同时采用多尺度网络结构，避免不必要空间池化，并能够平行捕捉多尺度信息，该方法在四个挑战性基准测试中实现了最先进的结果，并赢得了 Robust Vision Challenge 2018 年的冠军。

Jun, 2018

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

我们提出了一种新的方向感知积分卷积网络 (DaCCN)，通过方向感知模块来调整特征提取，提高了不同类型信息的编码能力，并设计了一种新的累积卷积来提高对重要环境信息的聚合效率，实验证明我们的方法在 KITTI、Cityscapes 和 Make3D 三个广泛使用的基准测试上取得了显著的提升，成为这些流行基准测试中具有三种自监督的最新成果。

Aug, 2023

本文提出了一种利用深度学习解决复杂多物体单目深度估计问题的端到端学习框架，通过将单目深度估计表述为一种多类别密集标注任务以及采用软加权和推断方法等策略，实现了对多尺度深度信息的有效利用，降低了量化误差并提高了方法的鲁棒性。实验结果表明，该方法在 NYU Depth V2 数据集上表现优于当前最先进方法。

Aug, 2017

本文介绍了一种网络架构，利用位于解码阶段多个阶段的新型本地平面指导层来更有效地引导密集编码特征以进行所需的深度预测， 并在具有挑战性的基准测试中通过消融研究证明所提出的方法优于最先进的作品。

Jul, 2019

本文提出了一种基于多尺度卷积神经网络、条件随机场及其连续形式的深度学习模型，用于单张静态图片的单目深度估计，该模型使用连续性的 CRF 完成深度估计，同时提出两个不同的变体，其中一个建立了多个 CRF 级联模型，另一个提出了一种结合模型；最后，作者在 NYUD-V2、Make3D 和 KITTI 等公共数据集上进行了大量实验，结果表明所提出方法得以有效地实现，并取得了目前最新的研究成果。

Mar, 2018

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

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