本文提出了一种基于几何感知的对称域自适应框架(GASDA)，将合成数据中的标签和现实数据中的极线几何(epipolar geometry)共同探索，通过训练两个图像样式转换器和深度估计器对称地建立端到端网络，实现更好的图像样式转换和深度图像生成。实验结果表明，该方法的效果显著，性能接近最先进技术水平。

Apr, 2019

提出了一种连续三维结构感知场景表征模型 Scene Representation Networks (SRNs)，能够通过不需要深度或形状信息的二维图像及其相机姿态进行端到端训练， 并在视角合成、少样本重建、形状外插及表现插值等任务中展示出潜力。

Jun, 2019

该论文提出了一种基于多尺度结构的单目深度估计方法，即结构感知残差金字塔网络（SARPN）。在该网络中，采用残差金字塔解码器来表达全局场景结构和局部形态细节，以及残差细化模块来预测残差图，同时采取自适应稠密特征融合模块来利用来自所有尺度的有效特征。实验结果表明，该方法在NYU-深度v2数据集上高效实用，达到了最先进的性能。

Jul, 2019

本文提出了一种结构感知的神经网络来处理单目深度估计过程中普遍存在的结构信息缺失问题，该网络采用了空间注意力块来捕捉视觉特征的空间关系，引入全局聚焦相对损失来增强深度预测的空间约束，并引入了新的 Hard Case Depth 数据集和专门的渐进式训练策略来训练模型，实验证明该方法在 NYUDv2 数据集上具有很高的预测精度和泛化性能。

Jul, 2020

本文介紹了一種自監督學習的深度估計方法，在使用合成數據和真實數據訓練的同時，利用幾何、時間和語義約束，實現了單目視頻深度估計的新的最先進技術，相較其他自監督和合成方法提高了15%到10%不等。

Jul, 2020

在没有RGB-D成对数据的情况下，为第一次探索如何在训练阶段学习跨模态知识，并在单一深度模态的目标数据集上进行测试。通过构建一个辅助深度估计任务，实现了RGB模态中的场景结构指导知识到单一深度模态下的DSR任务的跨任务交互。广泛实验表明，该方案相较于其他DSR方法表现优异。

Mar, 2021

本文提出一种自监督学习的新训练策略，通过图像转换网络实现在合成和真实领域之间的域不变表示学习，从而提高单张图像深度估计在现实世界中的泛化能力。实验结果表明，该方法在KITTI和Make3D数据集上均优于现有技术。

Jun, 2021

本文提出一个基于多任务学习的联合深度图超分辨率与单目深度估计网络，采用不同的引导策略设计两个桥梁，一个是用于特征编码过程的高频注意力桥梁，另一个是用于深度图重建过程的内容引导桥梁，实验证明该方法在基准数据集上具有竞争性能。

Jul, 2021

本文介绍了一种设计合成数据集来评估神经网络结构能力的方法，并通过构建三个数据集评估了三个网络属性，并发现 U-Net 存在严重的非局部缺陷，提出使用非局部层来解决这个问题，同时提出使用不同的位置编码方法来改善深度估计任务，最后证明自我关注机制在解决更现实的深度估计任务中必不可少。

Apr, 2022

通过训练师生网络用于深度估计，在单眼图像中引入空间线索以及利用知识蒸馏框架，包括特征蒸馏、响应蒸馏和显式建模深度估计的不确定性，优化深度估计，提高学习性能。

Sep, 2023