提出了一种基于稀疏焦距堆栈的自监督 DFD 框架，无需深度或 AIF 图像基础知识，利用神经模型预测深度和 AIF 图像，并利用光学模型验证和精化预测。

Mar, 2023

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

本文通过使用领域不变的虚焦模糊作为直接监督来解决数据驱动的深度估计方法在不训练场景外的概括能力问题，并利用置换不变卷积神经网络利用虚焦提示，通过不同焦点的图像差异训练模型，从而在合成数据集合和真实世界图像集合上取得了令人信服的泛化结果和最先进的深度预测。

May, 2020

本文提出了一种新方法，通过使用相机光圈所提供的信息作为监督来训练机器学习算法从单幅图像中估计场景深度。为了使学习算法能够使用光圈效应作为监督，我们引入了两个可微的光圈渲染函数，使用输入图像和预测深度来模拟实际相机光圈引起的景深效应。然后我们通过端到端地训练单目深度估计网络来预测场景深度，使其最好地解释这些有限光圈图像作为输入全焦距图像的虚焦模糊渲染。

Nov, 2017

我们开发了一种焦距和比例尺深度估计模型，能够从单个图像中准确学习未见过的室内场景的绝对深度图。我们通过采用相对深度估计网络学习相对深度和多尺度特征，并将它们与绝对深度估计网络一起输入，从而显著提高了深度估计的泛化能力，在三个未见过的数据集上比起其他五个最先进的深度估计模型，我们的模型将波动率均方根误差 (RMSE) 降低了 41%/13%，并且有效缓解了三维重建中的变形问题，同时也能保持对原始数据集的深度估计准确性。

Jul, 2023

本文提出了一种端到端的学习方法，称为 “Deep Depth From Focus (DDFF)”，该方法基于深度神经网络，利用配备了 co - 校准的 RGB-D 传感器的光场相机进行数据采集，数据集比既有基准数据集大 25 倍，可以用于解决计算机视觉中的 “Depth from focus (DFF)” 逆问题，实验结果表明，所提出的方法 “DDFFNet” 在所有场景中都取得了最先进的性能。

Apr, 2017

本文介绍了一种无监督领域适应技术，它仅依赖于图像对，并利用经典的立体算法生成视差测量，旨在 fine-tune 立体和单眼深度架构，通过一种新颖的置信度引导损失函数来处理以测量出视差值，并且该方法不需要基础真实标签，实验证明其效果优于其他同类无监督损失函数。

Sep, 2019

本研究提出了一种基于无监督深度学习模型的多焦点图像融合方法，该方法通过训练编码器 - 解码器网络获得输入图像的深层特征，并使用这些特征及空间频率来衡量活动水平和决策图，最终应用一些一致性验证方法来调整决策图并得出融合结果，与之前的方法相比，该方法分析深层特征中的锐利外观而非原始图像中的锐利外观。实验结果表明，与现有的 16 种融合方法相比，该方法在客观和主观评估中均取得了最先进的融合性能。

Aug, 2019

本文介绍了一种基于卷积神经网络的无监督端到端学习方法，可以直接从多焦点输入图像对中预测完全聚焦的输出图像，并利用图像结构相似性 (SSIM) 计算损失。实验结果表明，该方法在视觉质量和客观度量方面优于现有的最先进技术。

Jun, 2018

本文提出了一种利用深度学习方法和从焦外模糊度生成深度图像的技术来预测在野外环境下的单张图像深度的系统，并通过实验证明，相较于清晰图像，焦外特征能够有效提升深度预测准确性。

Sep, 2018