本篇论文提出了一种适用于室内和室外场景的两阶段 SIDE 框架，能够执行盲 SIDE，并通过使用深度可分卷积设计了一个多任务编码 - 解码 SIDE 网络 DS-SIDENet 以提高准确性。实验证明，该框架对扫描网室内图像和 KITTI 室外图像均表现出色。

Jun, 2019

该论文提出了一种基于卷积神经网络的方法，通过预测包含被前景遮挡区域信息的分层深度图像和前景分离掩模来合成场景和填补遮挡的空白，用于虚拟现实和减弱现实领域的单幅图像的新视点合成。

Jul, 2018

MultiDepth 是一种新的卷积神经网络训练策略和体系结构，它允许将单个图像深度估计作为多任务问题来解决，辅助性任务可以禁用，从而有效地提高了训练精度和准确性。

Jul, 2019

提出了一种基于自监督深层模型的新型单目深度估计框架，其中包括通过反向循环模型进行的深度估计网络优化、信息蒸馏等策略。此框架在 KITTI 基准测试中表现出良好的性能，胜过了目前的非监督方法。

Mar, 2019

基于 Transformer 的双步骤网络用于室内深度完成，采用自监督预训练编码器学习有效的潜在表示来填补缺失的深度值，并基于令牌融合机制从 RGB 和不完整的深度图像中完成室内深度重建。

Jun, 2024

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

本篇论文提出了一种基于子像素卷积层和翻转增强层的高分辨率自监督单目深度估计方法，在公共 KITTI 基准测试中取得了目前最好表现。

Oct, 2018

基于自我监督的深度估计方法已经发展成为一种最小化光度损失的图像重建任务。本文提出了 GAM-Depth，它由梯度感知掩码和语义约束两个新颖的组件构成，以解决室内深度估计中纹理缺失区域的深度一致性问题和物体边界处的深度不一致性。通过分配基于梯度大小的权重，梯度感知掩码实现了对关键区域和无纹理区域的自适应和鲁棒的监督。在室内自我监督深度估计中引入语义约束可以改善物体边界处的深度不一致性，利用预训练分割模型的代理语义标签和共优化网络。实验证明，GAM-Depth 在包括 NYUv2、ScanNet 和 InteriorNet 在内的三个室内数据集上优于现有方法，达到了业界领先的性能，是室内深度估计领域的有意义的进展。我们的代码将在此 https URL 上公开。

Feb, 2024

本研究使用自我关注机制和边界一致性来提高深度补全图的质量和结构，已验证其在 Matterport3D 数据集上优于现有深度补全算法。

Aug, 2019

该研究针对单目深度估计的自监督学习方法，在不需要昂贵激光扫描或其他基础数据的情况下，使用 Depth Hints 通过加入来自简单立体算法的参考感知补充了光度学重投影代价函数，从而提高训练深度估计网络时的深度预测精度，该方法取得了在 KITTI 数据集上的最优预测效果。

Sep, 2019