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
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
该研究利用对抗训练方法实现单目深度估计，通过引入上下文感知的非局部损失函数，将深度值的预测作为一个整体进行惩罚，具有较好的性能表现。
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
该研究提出了一种新的深度学习算法，Y-GAN，可以通过利用三个摄像头的数据来估算多摄像头视频流中每一帧的深度图。
Jun, 2019
本文提出了一种半监督对抗学习框架来解决当仅有有限数量的训练图像-深度对时，单目深度估计的问题，并在 NYUD v2 数据集上改进了大部分最先进的模型。
Aug, 2019
本研究探讨了将对抗性训练应用于单目深度估计任务中的益处，并扩展了自监督网络以成为生成对抗网络（GAN）来实现全局一致性。通过对不同像素级重构损失结合Vanilla GAN， LSGAN和Wasserstein GAN等进行广泛的实验评估，得出当重构损失不太受限制时，对抗训练是有益的结论，并证明在使用批量归一化时，无需使用GAN的非对抗性训练法表现优异。因此，我们采用批量规范化和不同的输出比例，获得了最新的单目深度估计结果。
Oct, 2019
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
该研究综述了基于深度学习的立体视觉对图像深度估计的应用，总结了该领域的常见流程、优缺点并探讨了未来可能的方向。
Jun, 2020
利用生成网络的训练策略，我们提出了一种在无监督单目深度估计中具有鲁棒性的扩散模型，并采用分层特征引导的去噪模块来丰富模型的学习能力，进一步探索了图像重投影中的隐式深度，并设计了一种隐式深度一致性损失，从而提高了模型的性能和深度在视频序列中的尺度一致性。实验证明，我们的方法在生成网络模型中脱颖而出，并且具有显著的鲁棒性。
Jun, 2024