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

本研究提出一种基于卷积神经网络的单张图像深度估计方法，使用更容易获取的双目立体视觉图像替代需要大量对应地面真实深度数据的监督式回归训练，通过利用同一场景下两个视点的对极约束，生成视差图，并利用一种新的训练目标函数，结合左右两张图像的视差图像互相匹配和校准，提高了深度估计的性能表现，从而实现了在KITTI数据集上的单张图像深度估计的最新领先水平，甚至超过了基于真实深度训练的监督式方法。

Sep, 2016

该研究论文采用视图合成过程和立体匹配相结合的方法，将单目深度估计问题分解为两个子问题，并明确地在推断过程中施加几何约束条件。经验证明，这种方法的性能优于以往的方法，并且只需使用少量的真实训练数据，同时也具有良好的泛化能力。

Mar, 2018

本文提出了一种基于对抗学习框架的无监督深度学习方法，用于预测深度图，通过学习预测校准立体相机设置下两个图像视图之间的对应场，提出了一个有两个生成子网络的架构，它们通过对抗训练共同用于重建视差图并相互约束和监督。实验结果表明，该模型可以有效地解决深度估计任务。

Jul, 2018

通过利用语义标记的图像和通过图像变形获得的无监督信号来联合学习语义分割和深度估计，提出了一种半监督的深度估计方法，结果表明在KITTI数据集上超过了单目深度估计的先进方法。

Oct, 2018

使用几何方法和立体图像训练卷积神经网络可以在单张图片中预测场景深度，性能优于最先进的无监督单目深度预测方法，并适用于不同数据集。

Mar, 2019

本文介绍了一种基于单目深度估计的新型深度学习架构- monoResMatch, 通过理论证明和严谨的实验，该架构通过合成不同视点的特征进行立体匹配，综合利用了代理监督信息，并且在自我监督方法上对无需昂贵的深度标签，取得了准确的单目深度估计成果。

Apr, 2019

使用基于学生-教师策略、数据集成和立体信心引导回归损失的方法，可以提高单目深度估计的精度，并用于高级视觉任务，如室外场景的驾驶情境等。

Apr, 2019

该研究提出了一种基于 interest point detection 和 descriptor learning 的深度估计方法，通过三个步骤，匹配、三角测量和稠密化得到 3D 点云，实现了高精度和低计算消耗的双赢，将该方法与强基线进行对比，表现优越。

Mar, 2020

提出一个名为TiO-Depth的两合一自监督深度估计网络，能同时处理单目和双目深度估计任务，并提高预测准确度。TiO-Depth采用Siamese架构，其中每个子网络可用作单目深度估计模型。对于双目深度估计，提出了一个单目特征匹配模块，用于融合两个图像之间的立体知识，并使用完整的TiO-Depth来预测深度。通过结合它们的相对优势，设计了一个多阶段联合训练策略，以提高TiO-Depth在两个任务中的性能。在KITTI、Cityscapes和DDAD数据集上的实验结果表明，TiO-Depth在大多数情况下优于目前最先进的单目和双目方法，并进一步验证了使用两合一网络进行单目和双目深度估计的可行性。

Sep, 2023