该研究提出了一种新颖的数据驱动方法，通过测距侧扫声呐图像和稀疏深度信息，结合全卷积网络和神经网络，用于高分辨率测绘海底地形图。
Jun, 2022
本文提出了一个针对光度立体问题的不需要校准的深度神经网络框架，通过估计输入图像的光线方向来计算表面法线、双向反射分布函数值和深度，同时显式模拟图像形成过程中的凹凸面部分的互反射效应，结果表明该方法在挑战性主题上表现优于监督和经典方法。
Dec, 2020
本文使用卷积神经网络进行单张图像表面法线的预测，并通过加入人工约束和中间表征优化网络结构，得到了表现最优的结果。
Nov, 2014
通过联合学习介质和神经场表示的效果，我们提出了一种算法来还原水下图像中的真实色彩。我们的方法将水的效应建模为距离和反射光的光衰减的组合。我们的技术能够有效地恢复水下图像的真实色彩，从而提高了采样效率和数值稳定性。
Apr, 2023
本文提出了一种基于强度和斜距离纠正的规范化变换方法，该方法对由侧扫声纳所采集的图像数据中的失真和相位差进行了修正，并成功地在真实环境中进行了实验验证。
自主导航与水下环境中的挑战，主要包括光吸收和水浑浊度等因素，传统视觉算法对声纳生成的声学图像的应用效果较差，而卷积神经网络通常需要大量的标记训练数据，这些数据通常难以获取。因此，我们提出了一种新型的紧凑型深度声纳描述符管道，它能够在仅仅用于合成数据的情况下推广到真实场景，并通过标准的临时规范化 / 预滤波技术提升输入声纳数据的质量。同时，我们还介绍了自定义的合成数据生成过程。通过对合成和公开可用的真实数据的广泛评估，证明了我们提出的方法相较于最先进的方法更加有效。
Aug, 2023
通过利用神经网络的能力，本研究提出了一种基于 LiDAR 数据分析的参数估计的新方法，成功地学习了反演模型，并能够预测诸如深度、衰减系数和底反射率等参数。通过对真实 LiDAR 数据的测试，验证了模型的性能。未来更多的数据可用性将能够提高这类模型的准确性和可靠性。
Dec, 2023
本研究提出了一种用于光度立体图像的卷积神经网络结构，通过物理学建模的无监督学习框架，可以进行表面法线和反射率预测，并且在实际场景中达到了最先进的性能表现。
Feb, 2018
该研究探讨了针对野外图像的单幅图像深度估计问题。研究使用人工标注表面法线进行训练，并使用两个新颖的损失函数进行训练。研究表明，该方法可以显著提高野外深度估计质量。
Apr, 2017
这篇论文提出了一种名为 DeepShadow 的方法，它可以通过光度立体阴影图从自身和投影的阴影中恢复深度图和表面法线，从而进行 3D 重建。该方法不需要预训练或昂贵的标记数据，在推理时进行优化，使用神经网络进行 3D 形状重建。
Mar, 2022