该论文提出了一种新的相对深度估计方法，通过对深度分布进行概率分布的估计来提高估计的准确性，并提出了 Distributional Loss 来训练模型，可以输出标准差的置信度估计，该方法在度量深度估计上有较好的表现。
Oct, 2020
通过非参数深度分布建模构建成本体积，避免错误检测。同时，我们使用稀疏成本聚合网络推导每个体积中的信息。在 DTU 和坦克与神殿这两个基准数据集上广泛评估我们的方法，实验结果表明，我们的模型以显着优势胜过现有方法，并在边界区域实现卓越性能。
May, 2022
本文提出了一种基于深度神经网络的后验不确定性估计方法，通过辅助损失函数的梯度来估计不确定性，避免依赖于地面真实信息的损失定义，可以实现对固定深度估计模型的有状态压制应用。该方法在 KITTI 和 NYU 深度 V2 基准测试中实现了最先进的不确定性估计结果，并且模型和代码都可以在该链接公开获取。
Aug, 2022
通过对神经网络的深度进行概率推理，我们能够只需一次前向传播，就能估计模型的不确定性。在真实的回归和图像分类任务中，我们验证了这一方法的效果，并证明它能提供不确定度校准、对数据集变化的鲁棒性和与计算成本更高的基线准确度相当的预测结果。
Jun, 2020
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
量化监督式单视图深度的不确定性的贝叶斯深度神经网络，通过光照作为单视图自我监督信号，提出了一种仅需 RGB 图像和内窥镜的几何和光度校准的完全自我监督方法。
Jun, 2024
该研究提出了一种通用的单目模型，可用于深度推理和完成等任务，无需针对每个应用重新训练。该模型在多个任务中均能产生高精度结果。
Jun, 2019
本研究提出了一种使用归一化卷积神经网络（NCNNs）学习输入置信度估计的新方法，并提出了 NCNNs 的概率版本以产生具有统计意义的不确定性度量，可用于噪声深度传感器的深度完成任务，并在 KITTI 数据集上表现出在预测准确度、不确定性度量质量以及计算效率方面优于所有现有的贝叶斯深度学习方法，同时还展示了分离网络到并行不确定性和预测流的性能媲美具有数百万参数的常规方法。
使用神经网络对本地场景几何结构进行建模，通过对不同阶、方向和比例下的深度导数进行概率分布预测，采用全球化处理方法获得一个一致性深度图以解决深度估计中的歧义。
May, 2016
本文提出一种新颖的概率深度学习模型，通过使用 von Mises 分布预测物体位姿角度的分布，可用于不确定性量化，同时在不同质量的图像下也有较强的鲁棒性，经实验证明其具有竞争力的精度和预测能力。
May, 2018