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

针对半监督单目三维物体检测，我们研究了伪标记方法，并发现了两个主要问题：三维和二维属性预测质量之间的不对齐以及伪标签导致的深度监督存在噪声，从而与其他可靠的监督形式产生显著的优化冲突。我们提出了一种新颖的解耦伪标记方法，该方法包括一个用于分别处理二维和三维属性的解耦伪标签生成模块和一个用于减轻由伪标签的深度监督引起的优化冲突的深度梯度投影模块。在 KITTI 基准测试上的综合实验证明了我们方法的优越性。

Mar, 2024

本文提出了一种基于几何感知的对称域自适应框架 (GASDA)，将合成数据中的标签和现实数据中的极线几何 (epipolar geometry) 共同探索，通过训练两个图像样式转换器和深度估计器对称地建立端到端网络，实现更好的图像样式转换和深度图像生成。实验结果表明，该方法的效果显著，性能接近最先进技术水平。

Apr, 2019

通过混合数据集训练模型，预测几何保持的深度，并通过渲染重建场景的新视图以及设计损失函数，促进不同视角下深度估计的一致性，实现了对领域特定尺度和平移系数的自主恢复，优于现有最先进方法的多个基准数据集。

Sep, 2023

本文提出了一个名为 ReDB 框架的方法，该方法用于解决多类别训练设置下的领域自适应问题，通过生成可靠、多样性和类别平衡的伪三维边界框并采用交叉领域检查和重叠边界框计数度量等方法，进一步提高了领域适应 3D 物体检测的准确性。

Jul, 2023

本篇论文提出了一种基于元学习的对抗式深度估计任务来增强深度估计模型的泛化能力，并引入了约束条件以迫使深度估计在不同对抗性任务中是相同的。实验证明，该方法能够在少量训练步骤后适应新的数据集。

Mar, 2022

本文提出了一种使用自监督立体匹配方法生成的伪真实深度地图来辅助单目深度估计的新方法，并利用门限网络调整伪深度图。通过基于像素自适应卷积层提高单目深度估计精度，并取得了优异的实验结果。

Sep, 2020

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。

Aug, 2018

提出了一种基于自监督学习框架的多视角立体网络，使用输入数据的伪标签来为网络提供超级噪声，此方法在 DTU 数据集上表现良好，并且在无监督多视图立体场景中能够显著优于现有的方法。

Apr, 2021