在本文中，我们提出了两种高效且轻量级的编码器 - 解码器网络结构，RT-MonoDepth 和 RT-MonoDepth-S，用于降低嵌入式系统上的计算复杂性和延迟，以实现实时深度估计。我们的方法论表明，在单个 RGB 图像的更快推断速度下，可以达到类似于先前最先进深度估计作品的准确性。与现有的快速单目深度估计方法相比，我们提出的网络 RT-MonoDepth 和 RT-MonoDepth-S 在分辨率为 640×192 的单个 RGB 图像上在 NVIDIA Jetson Nano 上运行速度为 18.4＆30.5 FPS，在 NVIDIA Jetson AGX Orin 上运行速度为 253.0＆364.1 FPS，并在 KITTI 数据集上达到相对最先进的准确性。据作者所知，本文在准确性和最快推断速度方面都达到了最好的水平。

Aug, 2023

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

本文提出了一种名为 LiteDepth 的解决方案，使用小尺寸（1.4MB）的端到端学习模型和数据扩充策略来实现实时单目深度估计，采用多个损失项来提供充分的约束，并使用结构感知蒸馏进一步提高模型性能，获得了 MAI＆AIM2022 单目深度估计挑战赛的第二名并同时提供最快的推理速度。

Sep, 2022

本文介绍了 Mobile AI 挑战赛，通过提供包含 RGB 深度图像的大规模数据集，旨在开发基于端到端深度学习的高效的实时深度估计解决方案，可运行于移动设备上，并在 Raspberry Pi 4 上具有较快的运行速度和高精度度量。

May, 2021

提出了一种快速准确的深度地图重构技术，通过当下常规的深度相机和彩色相机在杂交相机中的组合实现，这个方法不仅可以降低延迟，增加帧率，而且可以提高深度图的质量和准确性。

May, 2023

本文介绍了一种实时生成精准视差图的方法，在保持精度的同时可以根据计算资源的需求自动调整。该方法的参数数量较少且可用于资源受限的设备。

Oct, 2018

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

本文提出了一种基于卷积神经网络的深度估计方法，结合迁移学习使用高性能网络初始化编码器以及增强和训练策略以获得更准确的结果，结果表明，即使是非常简单的解码器，我们的方法也能够产生细节详尽的高分辨率深度图像。

Dec, 2018

该论文综述了基于深度学习的单个 RGB 图像和视频的深度估计方法，包括输入输出模态、网络结构和学习方法的分类，历史里程碑，以及现有方法使用的流程、数据集和评估指标。

Jun, 2024

深度估计是自主系统评估自身状态和感知周围环境所需的基本知识。本文提出了一种新的轻量级视觉变换器架构 METER，用于嵌入式设备上的单目深度估计，能够在 NVIDIA Jetson TX1 和 NVIDIA Jetson Nano 等受限硬件上实现最先进的估计和低延迟推断性能。

Mar, 2024