本论文提出了一种新颖的自监督范式，通过单目完成网络提取单张图像线索和少量稀疏点用多个估计的共识机制来估计密集而准确的视差图，该方案在处理域偏移问题时具有显着的泛化能力。

Aug, 2020

本研究提出了一种基于多个视差图来检查一致性的方法，以识别并过滤伪深度图中的错误，无需真实值（GT）和训练过程，并通过消除立体匹配易受攻击的错误区域，如无纹理区域、遮挡边界和反射表面，取得了比以往方法更好的实验结果。

Jan, 2024

提出采用可适应的知识蒸馏方法结合无监督训练和盲集成学习的 Monitored Distillation 方法，能在不存在地面真值数据的情况下，从单张图片、相应的稀疏点云和内置集成模型中获取稠密的深度信息，且在 VOID 室内场景数据集上比盲集成基线算法效果提高了 17.53%，比无监督方法效果提高了 24.25%，且比最好的有监督方法保持可比性。

Mar, 2022

本研究提出一种基于卷积神经网络的单张图像深度估计方法，使用更容易获取的双目立体视觉图像替代需要大量对应地面真实深度数据的监督式回归训练，通过利用同一场景下两个视点的对极约束，生成视差图，并利用一种新的训练目标函数，结合左右两张图像的视差图像互相匹配和校准，提高了深度估计的性能表现，从而实现了在 KITTI 数据集上的单张图像深度估计的最新领先水平，甚至超过了基于真实深度训练的监督式方法。

Sep, 2016

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

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

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

利用生成网络的训练策略，我们提出了一种在无监督单目深度估计中具有鲁棒性的扩散模型，并采用分层特征引导的去噪模块来丰富模型的学习能力，进一步探索了图像重投影中的隐式深度，并设计了一种隐式深度一致性损失，从而提高了模型的性能和深度在视频序列中的尺度一致性。实验证明，我们的方法在生成网络模型中脱颖而出，并且具有显著的鲁棒性。

Jun, 2024

该论文提出了一种改进的自监督学习方法，包括最小 reprojection 损失、全分辨率多尺度采样和自动屏蔽损失，以实现单眼深度估计。研究结果表明，该方法能够在 KITTI 基准测试上达到业界领先的结果。

Jun, 2018

该研究针对单目深度估计的自监督学习方法，在不需要昂贵激光扫描或其他基础数据的情况下，使用 Depth Hints 通过加入来自简单立体算法的参考感知补充了光度学重投影代价函数，从而提高训练深度估计网络时的深度预测精度，该方法取得了在 KITTI 数据集上的最优预测效果。

Sep, 2019