本文提出了一组新的质量标准，允许更详细地分析深度图的特定特征，以便评估最先进的单图像深度估计方法，并提供了一个新的高质量 RGB-D 数据集。实验结果显示了我们提出的评估协议的有效性。

May, 2018

本论文提出了一种基于新型两个组件误差模型的，人性化，可靠且准确的校准框架，能够很容易地估计一般颜色深度传感器的内部和外部参数，该方法相对于其他现有系统具有更高的校准精度，已经在 ROS 机器人框架中实现。

Jan, 2017

本文提出了一种基于深度学习和贝叶斯滤波的方法，从单目视频流中连续估计每个像素的深度和不确定度概率分布，通过积累时间降低深度不确定度，提高准确性和鲁棒性，该方法可将普通 RGB 相机转换成 RGB-D 相机，并实现更为精确、稳定、泛化性更好的 3D 场景重建。

Jan, 2019

本论文介绍了使用深度相机对开放手术技能进行自动评估的新方法，并通过比较深度相机和 RGB 相机的结果，证明了深度相机在手术技能评估中的潜力。研究还发现，深度相机在物体检测和动作分割方面取得了可比较的结果，并强调了深度相机提供更准确的手部运动表示的优势。这项研究对于推动外科技能评估领域的发展具有重要意义，并为未来的研究奠定了基础。

Jan, 2024

本文提出了一种新颖的 RGB-D 传感器深度超分辨率方法，该方法通过高分辨率光度线索澄清深度超分辨率，并对未校正的光度立体进行低分辨率深度线索的澄清。使用变分方法处理 RGB-D 序列，并通过新的 PDE 光度立体正则化器隐式地保持了表面的规则性。实验表明，该方法能够在无需任何特殊先验知识或材料校准的情况下，在现实世界的环境中拍摄高质量的深度图像。

Aug, 2017

该论文介绍了一种相对位姿估计方法，利用 RGBD 相机的 RGB 和深度信息，通过几何深度约束和嵌套 RANSAC 算法实现对相机位姿的快速准确估计。

Jan, 2024

本研究探索了使用光度学技术（阴影形状和非标定光度立体）将 RGB-D 传感器的低分辨率深度图上采样到伴随的 RGB 图像的高分辨率。首先提出了一种有效的单次变分方法，而这依赖于目标的反射率是分段常数。随后，展示了这个依赖特定反射模型的限制可以通过关注特定类别的对象（例如面部），并将反射率估计委托给深度神经网络来缓解。最后讨论了一种基于随机变化光照条件的多次采集策略。这不需要反射率的培训或先前知识，但其代价是专用采集设置。通过定量和定性评估，证明了所提出方法在合成和真实场景中的有效性。

Sep, 2018

本研究提出了适合评估单目深度预测方法三维几何质量的一组度量标准和室内基准测试 RIO-D3D，并展示了其对于评估三维场景完整性的紧密关联任务的帮助。

Mar, 2022

本研究探讨了使用传感器数据进行密集型三维视觉问题的解决方法，强调了传感器特性对学习预测的重大影响，通过设计了一个多模态数据集，量化了传感器噪声的影响并为改善密集型视觉估计和有针对性的数据融合铺平了道路。

Mar, 2023

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