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

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

本文提出了一种基于多尺度卷积神经网络（CNN）的深度模型，通过用连续条件随机场（CRF）融合多个 CNN 侧输出得到的互补信息。提出了两种不同的变体，一种基于多个 CRFs 级联，另一种基于统一的图模型，通过端到端的训练证明了效果显著，取得了公开数据集上的最新成果。

Apr, 2017

本研究提出了一种使用 CRFs 优化和多头注意机制的深度估计方法，其中神经窗口 FC-CRFs 模块作为解码器，视觉变换器作为编码器，结果表明相对于以前的方法，在 KITTI 和 NYUv2 数据集上均能显著提高性能，并且该方法可直接应用于全景图像。

Mar, 2022

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

本文提出了一种新颖的方法来预测轮廓，通过引入分层深度模型以及使用新型的 AG-CRFs 对不同尺度的特征表示进行精细融合，实现了更加精确的轮廓检测，实验结果表明其在 BSDS500 和 NYUDv2 数据集上都表现出了较好的性能。

Jan, 2018

本文提出通过深度注意力体加入非局部共面性约束来引导深度估计，从而在室内环境中取得最先进的深度估计结果。

Apr, 2020

本文提出了一种新的神经网络结构 (DFCN-DCRF)，该结构将 RGB-D 完全卷积神经网络 (DFCN) 与深度敏感的全连接条件随机场 (DCRF) 相结合，以改善分割性能。在实验中表明，DFCN-DCRF 与大多数最先进的方法相比具有最好的性能。

May, 2017