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

本文提出了一种无监督学习框架，通过使用视图合成作为监督信号，同时训练深度和相机位姿估计网络以完成从非结构化视频序列中的单目深度和相机运动估计的任务。经验评估表明，我们的方法具备与基于监督方法使用地面真值位姿或深度进行训练的方法相当的单目深度估计能力，并且在相似的输入设置下，姿态估计表现良好。

Apr, 2017

本文提出了一种新颖的单目视觉里程计（VO）系统UnDeepVO，其能够使用深度神经网络估计单目相机的6-DoF姿态和视野深度，该系统具有无监督深度学习方案和绝对尺度恢复两个显着特点，并且在KITTI数据集上获得了良好的姿态精度。

Sep, 2017

提出了一种新颖的无监督学习深度和自我运动的方法，它主要基于对场景的推断3D几何形状进行对齐，并与基于光度学营养和有效性掩模的2D损失相结合，最终得出在KITTI数据集上的优越结果。

Feb, 2018

本文提出了GeoNet，这是一个基于联合无监督学习的框架，可用于从视频中估计单眼深度、光流和Ego-motion。基于3D场景几何关系，由我们的框架以端到端的方式联合学习。实验结果表明，在KITTI驾驶数据集中，我们的方法在三个任务中均取得了最先进的成果，优于以前的无监督方法，并与受监督方法相当。

Mar, 2018

本文提出了一种新的CPU架构，使用从单个输入图像提取的特征金字塔快速推断准确的深度图，与现有的方法相比，模型的参数较少（约为6％），使得其能在Raspberry Pi 3上推断KITTI图像的深度图约1.7秒，为CPU上的嵌入式系统的无监督单目深度估计的快速有效部署铺平了道路。

Jun, 2018

该研究针对自动驾驶技术中单目序列所含信息研究了单目深度估计、相机自身运动估计和连续帧中的光流估计，并提出了基于三个区域模型、OCCLUSION区域的完整显式分割以及相应的无监督学习方法， 显著提高了三项任务的性能。

Mar, 2020

本文提出了一种新的基于单目视频多个掩模的无监督深度和自我运动学习方法，该方法通过几何关系过滤了不匹配的像素，提高了无监督学习的效率和准确性，并在KITTI数据集上表现良好。

Apr, 2021

DFPNet 是一种联合学习系统，通过单眼图像序列估计单眼景深、光流和自身运动（相机姿态），使用单一的复合损失函数进行训练，并使用超参数调整来使模型的大小小于目前市场上同类模型的5％以下。在 KITTI 和 Cityscapes 驾驶数据集上进行评估，结果表明我们的模型在所有三个任务上的表现都可以媲美目前市场上同类模型的表现，即使模型大小明显更小。

May, 2022

该论文提出了一种无监督学习框架，通过使用逐步的递归调整和融合编码器和解码器特征来提高单张图像的深度推断，并使用多组滤波器用于残差上采样来学习保持边缘的滤波，使用基于自运动恢复的网络来估计移动对象的移动场，并进一步通过采用鲁棒训练损失对模型中参数的使用进行优化，该模型结构只使用单张图像在测试时间中，模型参数仅有2.97百万个，但却在KITTI和Cityscapes基准测试中实现了最先进的结果。

Mar, 2023