基于非学习的优化方法，该论文提出了一种新的方法，通过明确考虑光场的 4D 几何模型，来利用 4D 几何信息进行深度估计，实验结果表明，该方法在表面法线角度精度方面优于现有的学习和非学习的方法，在平面表面上的平均中位角误差比现有方法低 26.3％，在均方误差 ×100 和 Badpix 0.07 方面与现有方法具有竞争力。

Mar, 2024

本文中，我们探索了轻场中的多遮挡模型，并得出了空间和角度空间之间的遮挡一致性，这被用作选择每个候选遮挡点的未遮挡视图的指导。接着我们建立了一个反遮挡能量函数来规范深度图。公共轻场数据集上的实验结果证明了所提出算法相对于其他现有的轻场深度估计算法的优势，特别是在多遮挡区域。

Aug, 2016

使用深度焦点提示为基础，基于点扩散函数卷积层的无监督学习深度估计方法能在多个数据集上优于其他无监督方法和与 KITTI 和 Make3D 数据集中的监督方法效果相当，并且与数据集无关.

Jan, 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

本研究提出了一个基于层级累加代价体积和遮挡感知技术的光场深度估计方法，该方法利用相机阵列的子孔径图像对中心图像进行提取深度，同时通过引入遮挡地图来提高深度的估计准确性。实验证明了该方法比同类方法更加精确和高效。

May, 2023

本文介绍了一种名为 FG-Depth 的简单而有效的框架，通过利用预训练的 Flow-Net 的先验知识来引导优化，从而打破了无监督单眼深度估计的瓶颈，提出了流蒸馏损失和基于先验流的掩模来提高模型性能以及消除噪声，实验结果表明，该方法在 KITTI 和 NYU-Depth-v2 数据集上均达到了最领先的效果。

Jan, 2023

本研究提出一种方法，利用单眼光度一致性为唯一的监督，联合训练深度、自我运动估计和物体相对于场景的稠密三维平移场的估计，通过已知 3D 平移场的稀疏性和对于刚性移动物体的恒定性进行正则化，有效提高了单眼深度预测模型的准确性。

Oct, 2020

本研究提出了一种新的框架，它可以从光场数据中恢复高质量的连续深度图，其中包括基于深度图完全参数化的光场生成模型，并结合非局部均值先验等强大的正规化技术以实现准确的深度图估计。

Sep, 2016

论文综述了五篇应用不同技术（包括监督、弱监督和无监督学习技术）尝试解决单目深度估计问题的论文，并比较这些论文之间的改进和理解，最后探讨了可能有助于更好地解决这一问题的潜在改进。

Jan, 2019

本研究提出了一种基于神经网络的端到端架构，用于从 4D 光场视频中进行深度估计，同时建立了一个中等规模的 4D 光场视频数据集，并验证了在嘈杂区域中加入时间信息可以提高深度估计精度的实验结果。

Dec, 2020