提出一个名为 TiO-Depth 的两合一自监督深度估计网络，能同时处理单目和双目深度估计任务，并提高预测准确度。TiO-Depth 采用 Siamese 架构，其中每个子网络可用作单目深度估计模型。对于双目深度估计，提出了一个单目特征匹配模块，用于融合两个图像之间的立体知识，并使用完整的 TiO-Depth 来预测深度。通过结合它们的相对优势，设计了一个多阶段联合训练策略，以提高 TiO-Depth 在两个任务中的性能。在 KITTI、Cityscapes 和 DDAD 数据集上的实验结果表明，TiO-Depth 在大多数情况下优于目前最先进的单目和双目方法，并进一步验证了使用两合一网络进行单目和双目深度估计的可行性。

Sep, 2023

该论文提出了一种可以使用无标注数据进行训练的，基于三目摄像机的深度估计方法，其在 KITTI 数据集上取得了比其他基于双目摄像机以及其他线索的方法更好的性能。

Aug, 2018

该论文提出了一种自监督学习的方法，利用几何先验和自编码器来提高单目深度估计的效果，实验结果表明该方法在 KITTI 数据集上的表现优于现有方法，适用于高性能 GPU 和嵌入式设备。

Aug, 2019

本文介绍了一种新方法，可将任何现成的自我监督的单目深度重建系统扩展到在测试时使用多个图像。该方法利用自我监督来提高多个视图可用时深度重建的准确性，在 KITTI 基准测试中，我们的自我监督方法在常见的三种设置（单目、立体和单目 + 立体）下平均减少绝对误差 25％，并在准确性上接近完全受监督的最先进方法。

Apr, 2020

使用基于深度学习的自监督学习方法，提出一种无需真实深度信息，使用深度估计器和可微的空间变换器的，适用于手术场景深度估计的深度学习框架。

May, 2017

通过自监督学习和卷积神经网络，本文研究了自主机器人如何学习来提高其深度估算能力，并在实验中表明，即便在较低的置信区域，融合立体和单目估计可比仅使用立体视觉估计提供更可靠的深度地图，从而使立体视觉机器人可以更加可靠地实现自主导航。

Mar, 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

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

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