我们提出了一种创新的混合方法，既利用深度学习方法又利用基于光流的传统方法来进行密集运动分割，而无需进行任何训练。

Jun, 2024

本文提出了一种新的单目密集三维重建方法，利用超像素过分割模拟动态场景，并减少结构运动中固有的相对尺度模糊问题。经实验表明，该方法在合成和真实单目序列方面相对优于业界最先进的方法。

Aug, 2017

本研究提出一种方法，利用单眼光度一致性为唯一的监督，联合训练深度、自我运动估计和物体相对于场景的稠密三维平移场的估计，通过已知 3D 平移场的稀疏性和对于刚性移动物体的恒定性进行正则化，有效提高了单眼深度预测模型的准确性。

Oct, 2020

本文提出了一种用于估计一致密集深度图和相机姿态的算法，该算法基于学习的深度先验和几何优化相结合，不需要输入相机姿态，并能够在包括噪声、抖动、运动模糊和卷帘快门失真等多种挑战性条件下实现稳健的重建。

Dec, 2020

通过利用传统的运动结构恢复来建立视频中像素的几何约束，使用基于学习的先验 —— 一种单图像深度估计的卷积神经网络，我们给出了一种用于重建密集、几何一致深度的算法。测试时，我们对这个网络进行微调，以满足特定输入视频的几何约束，同时保留其在视频中的其他区域中合成可信深度细节的能力。通过定量验证，我们证明了我们的方法比以前的单目重建方法有更高的准确性和更高的几何一致性。我们的算法能够处理具有轻度动态运动的挑战性手持捕获输入视频。改进重建的质量可以用于场景重建和高级视频视觉效果。

Apr, 2020

提出了一种多摄像机系统来实现密集的三维重建和自我运动估计，通过多摄像机间的几何估计和单目深度优化来获得鲁棒的几何深度和姿态估计，同时通过深度优化网络引入可学习的场景先验，从而在具有挑战性的动态室外环境中实现了稠密、一致的三维重建。

Aug, 2023

本文提出了一种自监督学习框架，从视频中估算单个对象的运动和单眼深度，并将对象运动建模为六个自由度刚体变换；此外，该方法还使用实例分割掩码引入对象信息，并通过引入新的几何约束损失项消除运动预测的尺度歧义，实验结果表明，该框架在不需要外部注释的情况下处理数据并能够捕捉对象的运动，与自监督研究方法相比，在 3D 场景流预测方面有更好的表现，对动态区域的视差预测也有所贡献。

Dec, 2019

通过三个创新点，本研究提出了一个名为 DCPI-Depth 的框架，该框架采用稠密对应先验，通过上下文信息和光流进行深度感知，实现了在具有挑战性场景中的准确深度估计，并展示了更合理的平滑性。

May, 2024

Dynamo-Depth 是一种基于未标记单目视频筛选的三维独立光流场和运动分割的联合学习的方法，通过解决动态场景下深度估计的不确定性问题，实现了在 Waymo Open 和 nuScenes 数据集上单目深度估计的最新成果，特别在移动物体的深度上有显著改进。

Oct, 2023

本研究提出了一种深度模型，能在极少的像素点处获得 RGB 图像的已知深度情况下，精确地生成密集深度图，并能在 NYUv2 和 KITTI 数据集上实现近乎实时速度的室内 / 室外场景的高质量深度点云。与其他稀疏到密集深度方法相比，在每～10000 个像素中仅有一个像素的情况下，我们的深度估计准确度比现有最新算法还要高，仅在图像 1/256 的像素上估计，我们的精度就相当于消费级深度传感器的性能，本研究说明了将稀疏深度测量（如低功率深度传感器或 SLAM 系统获得）高效地转换成高质量的密集深度图是完全可能的。

Apr, 2018