该研究对基于深度学习的单张图像深度估计方法进行了调研，总结了常用的数据集、评价指标和不同的训练方式，并讨论了未来研究中的挑战和方向。

Mar, 2020

该论文提出了一种可以使用无标注数据进行训练的，基于三目摄像机的深度估计方法，其在 KITTI 数据集上取得了比其他基于双目摄像机以及其他线索的方法更好的性能。

Aug, 2018

本研究提出了一种新的方法，使用相邻视频帧的一致性作为监督信号，同时从单目视频中学习深度预测、自运动、目标运动和相机内参数，并且首次实现对相机内参进行无监督学习，从而能够在任意未知来源的视频中提取准确的深度和运动信息。此方法在 Cityscapes、KITTI 和 EuRoC 数据集上验证了正确性，并取得了新的最佳性能。

Apr, 2019

本文提出了一种基于自编码器的无监督深度卷积神经网络学习框架，通过训练不需要预训练或注释的神经网络，为单视图深度预测提供了一种新的方法。

Mar, 2016

通过利用深度单目深度预测来改进单目视觉里程计，利用直接虚拟立体测量方法将深度预测与 Direct Sparse Odometry（DSO）相结合，关键考虑半监督学习，并在 KITTI 基准测试中超越其他的方法，实现了与基于立体相机的方法相当的性能。

Jul, 2018

通过对卷积神经网络的可视化，利用优化问题识别最少的图像像素来实现单张图像的深度推断，该方法在室内和室外场景数据集上得到了有效应用，结果有助于探究如何通过卷积神经网络从单张图像中推断深度的问题。

Apr, 2019

提出一个新的单目视觉里程计框架 D3VO，它利用三个层次的深度网络 —— 深度、姿态和不确定性估计，并使用自监督单目深度估计网络训练了预测亮度变换参数，提高了深度估计精度和提供了学习到的光度残差加权函数，进而实现前端跟踪和后端非线性优化。在 KITTI 里程测量基准和 EuRoC MAV 数据集上测试表明，D3VO 在单目视觉里程计方面的表现优于传统方法和其他最先进的 VO 方法，同时仅使用一个相机就可以实现与最先进的立体 / LiDAR 里程测量和最先进的视觉惯性里程测量相媲美的结果。

Mar, 2020

本文提出了一种单目视觉里程计算法，它结合了基于几何方法和深度学习的思想，并利用两个卷积神经网络进行深度估计和光流估计。在 KITTI 数据集上的实验表明，该算法具有较强的鲁棒性和良好的性能。

Sep, 2019

该论文提出了一种自监督学习的方法，利用几何先验和自编码器来提高单目深度估计的效果，实验结果表明该方法在 KITTI 数据集上的表现优于现有方法，适用于高性能 GPU 和嵌入式设备。

Aug, 2019

本文提出了一种基于生成对抗网络的无监督学习框架，从未标记的 RGB 图像序列中预测场景的 6 自由度姿态相机运动和单目深度图，并在 KITTI 和 Cityscapes 数据集上给出了详细的定量和定性评估，结果表明该方法优于现有传统和无监督深度 VO 方法，提供更好的姿态估计和深度恢复结果。

Sep, 2018