本研究针对相对姿态在视觉测距和同时定位与地图构建中的重要性，介绍了一种基于自我监督学习的方法，同时优化相对姿态和目标图像深度，并通过引入在自我监督框架中被极线几何约束的匹配损失来弥合几何损失和光度损失之间的差距。在 KITTI 数据集上基于自适应估计运动的实验结果证实了该方法的效果优于现有的无监督自我运动估计方法。

Feb, 2019

通过引入一种新的度量学习方案，我们的方法旨在提取具有深度区分特征的模型，而不增加推断时间和模型大小，通过使用距离保持函数来组织特征空间流形，将特征描述符之间的距离设置为与真实物体深度相关，并引入用于物体深度估计的辅助头部，以提高深度质量。此方法在 KITTI 和 Waymo 数据集上集成到各种基线模型中，实验证明了其广泛适用性，并且相对于基线模型，综合性能提高了 23.51% 和 5.78%。

Jan, 2024

本文提出了在无监督单目深度估计中引入跨域语义信息以提高几何表示的新思路，包括度量学习方法和特征融合模块，并在 KITTI 数据集上全面评估，在弱质地区和物体边界的监督限制下，本文提出的方法优于现有技术。

Aug, 2021

本文提出一种新的尺度恢复 loss 方法，通过强制实现已知摄像机高度和估计出的摄像机高度之间的一致性，以生成度量（缩放）深度和自运动预测。结果表明，我们提出的方法在网络重新训练方面具有其他尺度恢复技术无法实现的优势，并且我们的自运动网络能够比仅在测试时恢复尺度的类似方法产生更准确的估计结果。

Sep, 2020

该论文提出了一种改进的自监督学习方法，包括最小 reprojection 损失、全分辨率多尺度采样和自动屏蔽损失，以实现单眼深度估计。研究结果表明，该方法能够在 KITTI 基准测试上达到业界领先的结果。

Jun, 2018

本文介绍了一种通过自监督学习获得单目序列深度和姿态的方法，该方法不需要基础数据的支持，增加了更强的几何量和时间图像序列内部一致性的约束条件，能够显著提高单目图像序列深度和相对姿态估计的性能。

Sep, 2019

通过利用语义标记的图像和通过图像变形获得的无监督信号来联合学习语义分割和深度估计，提出了一种半监督的深度估计方法，结果表明在 KITTI 数据集上超过了单目深度估计的先进方法。

Oct, 2018

提出了一种自监督室内单目深度估计框架 F^2Depth，利用自监督光流估计网络对深度学习进行监督，结合经过精调的光流估计网络产生的多尺度特征图进行特征图融合损失计算，实验结果表明该框架及其提出的损失函数具有较好的室内场景单目图像泛化能力。

Mar, 2024

本文研究自监督学习中如何直接运用语义结构来指导几何表示的学习，提出了一种新的基于预训练语义分割网络和像素自适应卷积的架构，并使用两阶段训练过程来克服动态对象上的常见语义偏差。结果表明该方法在所有像素、细节和语义类别上都优于现有方法，实现了自监督单目深度预测的最新水平。

Feb, 2020

本研究提出了一种基于无监督学习的视差匹配方法，通过特征度量一致性而非图像度量一致性来解决不同分辨率图像之间的挑战，并引入了一种自我增强的策略来优化特征提取器，在模拟数据集和真实世界数据集上，取得了优于现有解决方案的表现。

Apr, 2022