本研究提出一个无监督领域适应策略 --AdaDepth，通过对抗式学习和对齐源域和目标域表征的显式强制内容一致性，克服了使用合成数据集时可能出现的领域适应问题，在单目深度估计任务中表现出与其他方法具有竞争力的性能并在半监督设置中实现了最先进的结果。
Mar, 2018
该研究利用对抗训练方法实现单目深度估计，通过引入上下文感知的非局部损失函数，将深度值的预测作为一个整体进行惩罚，具有较好的性能表现。
Aug, 2018
针对视觉域适应的背景下，在资源受限的硬件上训练深度神经网络的问题，通过采用压缩技术、有效且硬件感知的架构设计以及对多样的操作环境进行模型自适应解决，实验结果表明，只有使用有效网络架构和少量的训练数据才足以实现图像深度估计。
Aug, 2021
本文提出了一种使用立体匹配网络作为代理从合成数据中学习深度并使用预测的立体视差图来监督单目深度估计网络的方法，并提出了不同的策略以确保学习到的深度感知能力在不同领域之间得到很好的转移。通过大量实验证明了该方法在 KITTI 数据集上具有最先进的单目深度估计结果。
介绍了一种 “学习适应” 框架，可以让基于深度学习的立体视觉方法以一种无监督的方式不断适应新的目标领域，从而适用于现实世界的应用，例如自动驾驶。
Apr, 2019
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
该研究对基于深度学习的单张图像深度估计方法进行了调研，总结了常用的数据集、评价指标和不同的训练方式，并讨论了未来研究中的挑战和方向。
Mar, 2020
本文旨在探讨当前最先进的单目深度估计神经网络对抗攻击的鲁棒性，实验结果表明微小的打扰和少于 1% 的图像损坏就会极大地影响深度估计，并提出一种新的深度特征损坏损失来增强攻击效果
May, 2020
我们提出了一种新颖的自监督对抗训练方法，通过利用视图合成以增强单眼深度估计模型对真实世界攻击的对抗鲁棒性，而无需真实深度的地面真值。我们的方法在两个代表性的单眼深度估计网络上进行实验证明，相比于特别设计用于单眼深度估计的监督学习和对比学习方法，具有更好的鲁棒性，对良性性能影响最小。
Jun, 2024
利用真实数据生成可靠的伪地面真实数据，提供直接监督的领域适应框架，通过提出 2D 伪标签和 3D 感知伪标签等机制，实现深度评估的提高，有效地解决领域适应问题。
Sep, 2022