基于物理驱动的深度学习框架用于单目深度估计，通过假设 3D 场景由分段平面组成，提出了一种新的正常 - 距离头来推导每个位置的深度，同时，通过开发的面感知一致性约束对正常和距离进行规范化，并引入了额外的深度头来改善框架的鲁棒性，利用有效的对比迭代细化模块根据深度的不确定性互补地对深度进行精细化改进，实验证明该方法在 NYU-Depth-v2、KITTI 和 SUN RGB-D 数据集上超过了现有的最先进竞争方法，值得注意的是，它在 KITTI 深度预测在线基准测试中的提交时间中排名第一。

Sep, 2023

本文提出了一种基于正交平面的深度估计方法 PlaneDepth，使自监督学习中的深度估计更为精确，同时解决了自动驾驶中分割、补洞等问题，实现了无监督地提取地面平面，为自动驾驶技术的发展提供了有效支持。

Oct, 2022

本文介绍了一种网络架构，利用位于解码阶段多个阶段的新型本地平面指导层来更有效地引导密集编码特征以进行所需的深度预测， 并在具有挑战性的基准测试中通过消融研究证明所提出的方法优于最先进的作品。

Jul, 2019

通过假设 3D 场景由分段平面组成，本文提出了针对单目深度估计和补全任务的新型物理（几何）推动深度学习框架。我们通过估计表面法线和平面到原点的距离图或补全稀疏表面法线和距离图作为中间输出，提出了一个法线 - 距离模块。同时，通过开发出平面感知一致性约束来规范化表面法线和距离图，并将其转换为深度图。此外，还集成了一个额外的深度模块来增强所提出框架的鲁棒性。在 NYU-Depth-v2、KITTI 和 SUN RGB-D 数据集上的大量实验表明，我们的方法在单目深度估计和补全任务方面胜过了先前的最先进竞争方法。

Nov, 2023

本研究提出了一种使用深度神经网络 (DNN) 从单个 RGB 图像重建分段平面深度图的方法，该方法可以直接从单个 RGB 图像学习一组平面参数和相应的分割掩码，并且在评估中表现出比基准方法更好的平面分割和深度估计精度。该方法是第一个可以从单个 RGB 图像进行分段平面重建的端到端神经网络结构。

Apr, 2018

本文提出了一种新颖的深度细化框架，旨在恢复逆深度图的分段平面特征，该框架将逆深度图建模为像素之间的加权图，设计了一种自动估计每个像素平面的正则化项，经过实验证明，该方法在视觉和数值上均相对于 Middlebury、KITTI 和 ETH3D 多视角立体数据集上的最先进算法有重大改进。

Dec, 2019

本文提出了一种基于极化成像的自监督单目深度学习网络，以利用色散不敏感的极化信息，提高深度估计结果，特别是对于高光区域。

Jul, 2020

本研究通过采用室内场景中表现出来的结构规律，采用两个额外的自我监督信号进行自我监督培训：1) 曼哈顿法线约束，2) 共面约束，来训练更好的深度网络。

Aug, 2021

通过利用传统的运动结构恢复来建立视频中像素的几何约束，使用基于学习的先验 —— 一种单图像深度估计的卷积神经网络，我们给出了一种用于重建密集、几何一致深度的算法。测试时，我们对这个网络进行微调，以满足特定输入视频的几何约束，同时保留其在视频中的其他区域中合成可信深度细节的能力。通过定量验证，我们证明了我们的方法比以前的单目重建方法有更高的准确性和更高的几何一致性。我们的算法能够处理具有轻度动态运动的挑战性手持捕获输入视频。改进重建的质量可以用于场景重建和高级视频视觉效果。

Apr, 2020

本文提出通过深度注意力体加入非局部共面性约束来引导深度估计，从而在室内环境中取得最先进的深度估计结果。

Apr, 2020