该研究提出了一种利用卷积神经网络实现图像之间的变换估计的方法，可以避免传统的局部特征检测和变换估计方法的复杂度，并展示了多种基于深度估计变换的应用场景。
Jun, 2016
提出了一种无监督深度视觉几何估计方法来提高图像配准的精度，通过学习异常值掩模以去除噪声和提取更可靠的样本进行估计，使用 RANSAC 机制进行可靠区域选择，并专注于学习深度特征来计算损失，同时不忽略在真实场景中处理视差和运动物体的重要性。
Sep, 2019
本研究提出一种无监督学习算法，利用深度卷积神经网络估算平面单应矩阵，相较于传统方法和监督式学习算法其具有更快的推理速度、更好的光照变化适应性和优于同类方法的性能表现。
Sep, 2017
本研究探讨了如何使用卷积神经网络对单应矩阵进行估计，发现其具有领域的移位免疫性，并通过低级纹理信息进行估计。
Apr, 2023
本文提出在监督学习的基础上通过学习场景的刚性结构，从两张图片中推断场景对于相机的运动以及产生的 3D 场景流结构，相比于其他 3D 场景流预测方法表现更佳，并提供了半合成动态场景数据集和评估拆分。
Apr, 2018
本文提出使用深度神经网络结合单一曝光下多图像曝光融合技术来解决现代相机的动态范围限制问题，并在手机摄影实验中获得了高质量的图像。
Apr, 2020
本文提出了一种分层动态网络 (HDNet) 用于图像和谐处理，该网络通过局部动态和面具感知全局动态，从本地到全局视角自适应模型参数和特征改变，以实现更好的特征转换和全局调和。
Nov, 2022
该研究提出了一种新的方法，通过利用交叉口的拓扑结构来实现摄像头的准确自动校准，进而提高交通监控数据的利用效率，并在合成数据集和实际摄像头上展示了优异的性能表现。
Nov, 2023
本文提出了一种新颖的基于 Transformer 的 DynamicStereo 结构来解决从双目摄像机中重构动态场景的问题，并介绍了 Dynamic Replica 数据集来提供更贴近实际应用的训练和评估数据。
May, 2023
该研究扩展了动态成像技术在深度领域的应用，提出了多视角动态图像的概念，并通过卷积神经网络实现了特征学习与动作分析。
Jun, 2018