通过使用迁移学习和优化损失函数的简化和适应性方法，我们改进了深度估计的准确性。我们探索了多种编码解码模型，并发现 EfficientNet 模型在 RSME，REL 和 log10 方面表现最佳。我们的模型在准确性和稳健性方面取得了显著提升。

Apr, 2024

采用残差学习和反 Huber loss，提出了一种全卷积结构的模型，可通过单个 RGB 图像估计场景深度图，优于当前所有深度估计方法，且无需后处理技术，能够实时运行。

Jun, 2016

通过对输入分辨率和场景结构对深度估计性能的影响进行分析，本文提出了一种使用深度合并网络，结合低分辨率和高分辨率估计的方法，以在一定精度下生成具有细节的高分辨率深度图像，其中包括双重估计方法和补丁选择方法。通过合并不同分辨率的估计并应用不同的上下文，本文在预训练模型的基础上生成了多兆像素的深度图像。

May, 2021

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

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

本文提出了两种优化现有方法的方法：一种是通过网络结构融合不同尺度提取的特征，另一种是通过多种损失函数来测量训练中的推理错误。实验结果表明，这两种改进使得深度估计的精度显著提高，使得对小物体和物体边界的更细分辨率重建成为可能。

Mar, 2018

从单幅图像恢复 3D 深度是一项基础的计算机视觉任务，本研究提出了一种基于稳定扩散方法的仿射不变单目深度估计方法 Marigold，通过使用先前生成扩散模型中捕获的大量先验知识，该方法在各种数据集上取得了最先进的性能表现。

Dec, 2023

这个研究探讨了如何通过使用卷积神经网络和其它技术来优化和扩展基于深度学习的深度估计模型，以提高相机获取的图像的三维深度感知的精度。

Apr, 2023

本文提出了一种神经网络来估算单张 RGB 图像中前景人物的详细深度图，其中分离深度图为平滑基础模型和残差细节模型设计出两个分支的网络来回归它们，并利用一种新的网络层将粗深度图和表面法线融合以进一步提高最终结果。

Oct, 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