本文提出了一种基于生成对抗网络的无监督学习框架，从未标记的 RGB 图像序列中预测场景的 6 自由度姿态相机运动和单目深度图，并在 KITTI 和 Cityscapes 数据集上给出了详细的定量和定性评估，结果表明该方法优于现有传统和无监督深度 VO 方法，提供更好的姿态估计和深度恢复结果。

Sep, 2018

使用深度神经网络进行图像生成任务以提取高级特征，进而估计视觉里程碑的深度和位姿，同时利用光流和循环神经网络以及生成对抗网络改进深度和位姿的估计精度。

Sep, 2023

本文基于帧间关联思想，应用自监督深度估计框架，引入生成对抗网络技术，构建了一个视觉里程计系统，实现了更加精准的深度估计以及超越同类方法的姿态估计。

Aug, 2019

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

本文提出了一种无监督学习框架，通过使用视图合成作为监督信号，同时训练深度和相机位姿估计网络以完成从非结构化视频序列中的单目深度和相机运动估计的任务。经验评估表明，我们的方法具备与基于监督方法使用地面真值位姿或深度进行训练的方法相当的单目深度估计能力，并且在相似的输入设置下，姿态估计表现良好。

Apr, 2017

本文介绍了一种基于几何一致性损失和自发现遮罩的深度估计和自我运动估计模型，模型能够处理运动物体和目标的遮挡问题并保证不同样本间的比例一致性。从实验结果来看，我们提出的深度估计模型在 KITTI 数据集上性能最好，并且我们提出的自动驾驶路线规划模型相对于之前的模型在预测全局一致的相机轨迹上有着很大的优势。

Aug, 2019

本文提出了两个改进方法，以提高深度估计和 ego-motion 估计的性能：使用 Lie group 属性强制实现图像之间的几何一致性，实现了一种关注机制，以便在存在图像重建损坏的情况下关注感兴趣的图像区域。在 KITTI 数据集上的实验结果表明，我们的方法改进了 state-of-the-art 的性能。

Apr, 2020

该研究提出了一种新的深度学习算法，Y-GAN，可以通过利用三个摄像头的数据来估算多摄像头视频流中每一帧的深度图。

Jun, 2019

本文提出了一种新的基于单目视频多个掩模的无监督深度和自我运动学习方法，该方法通过几何关系过滤了不匹配的像素，提高了无监督学习的效率和准确性，并在 KITTI 数据集上表现良好。

Apr, 2021

提出了一种新颖的无监督学习深度和自我运动的方法，它主要基于对场景的推断 3D 几何形状进行对齐，并与基于光度学营养和有效性掩模的 2D 损失相结合，最终得出在 KITTI 数据集上的优越结果。

Feb, 2018