远程感知领域中，缺乏立体匹配以及准确地面真实数据制约了深度神经网络的训练；合成图像作为替代方案缓解了此问题，但面临域泛化问题；结合图像到图像翻译和立体匹配的能力提供了有效解决方案；通过将图像到图像翻译网络和立体匹配网络联合优化，我们提出一种基于边缘感知的生成对抗网络，同时有效解决了两个任务；通过 Sobel 算子获取输入图像的边缘图像，并将其作为编码器的额外输入，以在翻译过程中强制保持几何一致性；此外，通过计算翻译图像的变形损失来维持立体一致性；我们证明了我们的模型比现有模型产生了更好的定性和定量结果，并且其适用性扩展到包括自动驾驶在内的各种领域。

Apr, 2024

本研究提出了一种端到端的域翻译和立体匹配网络训练框架，通过引入双向多尺度特征重投影损失和相关性一致性损失等两个新颖的损失函数来提高合成立体图像到真实图像的转换效果以及维护单应约束，实验证明进行域翻译和立体匹配网络联合优化能够有效地解决合成数据集所引入的领域偏差问题，从而实现更准确的立体匹配。

May, 2020

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

该研究介绍了一种基于单目深度估计，使用错误匹配视差地图训练立体匹配网络的方法，无需真实深度或手动设计人工数据即可将任何 RGB 图像列表转换为立体训练数据，并在 KITTI、ETH3D 和 Middlebury 等数据集上表现出色。

Aug, 2020

本论文提出了一种基于卷积神经网络的方法，能够从立体输入中学习计算密集的视差图，使用图像变形误差作为损失函数，无需地面真实的视差图。该方法经过在 KITTI 和 Middlebury 立体基准数据集上的实验，证明优于许多现有技术并且速度更快。

Sep, 2017

本文提出了一种使用立体匹配网络作为代理从合成数据中学习深度并使用预测的立体视差图来监督单目深度估计网络的方法，并提出了不同的策略以确保学习到的深度感知能力在不同领域之间得到很好的转移。通过大量实验证明了该方法在 KITTI 数据集上具有最先进的单目深度估计结果。

Aug, 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

我们介绍了一种新的训练策略，用于立体匹配和光流估计，该策略利用合成和真实图像域之间的图像翻译。我们的方法使得训练模型在真实图像情景中表现出色，同时仅依赖于合成图像的真实信息。为了促进任务无关的域适应和任务特定组件的训练，我们引入了一个处理左右和前后方向的双向特征映射模块。实验结果表明，与之前基于域转换的方法相比，我们的提议框架具有竞争力的性能，有效利用了无监督域适应、立体匹配和光流估计的优势。

Sep, 2023

本文介绍了一种无监督领域适应技术，它仅依赖于图像对，并利用经典的立体算法生成视差测量，旨在 fine-tune 立体和单眼深度架构，通过一种新颖的置信度引导损失函数来处理以测量出视差值，并且该方法不需要基础真实标签，实验证明其效果优于其他同类无监督损失函数。

Sep, 2019

本论文提出了一种针对卷积神经网络在新领域上泛化能力不佳的自适应训练方法，结合了合成数据和部分无标注实际数据。通过图拉普拉斯正则化的迭代优化问题求解，让 CNN 能够根据新领域的实际数据自适应地调整自身参数，在保持边缘的同时消除伪像，实现在两个场景中的高效应用。

Mar, 2018