本篇论文提出了一种名为 OmniFusion 的 360 单目深度估计流程，通过将 360 图像转换为切线图像并采用 CNN 进行分段预测，最后合并分段结果以处理球形畸变问题，并通过几何感知特征融合机制、自注意力变换架构和迭代深度细化机制处理分段预测不一致问题，成功的在多个 360 单目深度估计基准数据集上取得了最先进的性能。

Mar, 2022

通过构建球形全连接 CRF 并引入球形窗口变换和平面 - 球面交互模块，提出了一种新的 360 度深度估计框架 CRF360D，可以在不同数据集上实现最先进的性能。

May, 2024

使用教师 - 学生模型融合环形和球形表达的方法，开发了一种新的球形卷积核计算方法和分割特征融合（SFF）方法来提取特征，并使用教师 - 学生模型学习深度图像的潜在特征，从而实现对环形图像深度图的估计。在实验中，该方法在 360 度单眼深度估计基准数据集上进行了测试，并且在大多数评估指标上优于现有方法。

May, 2024

360 深度估计是重建三维场景的关键技术之一。本文提出了一种名为 Elite360D 的新框架，通过使用 ERP 图像和 ICOSAP 点集，结合局部和全局特征，有效地估计 360 深度，其在多个基准数据集上优于之前的方法。

Mar, 2024

本文提出了一种基于 HRNet 网络的深度估计网络 ——DIFFNet，它能在下采样和上采样过程中利用语义信息，并通过特征融合和注意力机制提高算法表现，实验结果表明，该方法在 KITTI 基准数据集上优于当前最先进的单目深度估计方法，并具有处理更高分辨率数据的潜力。我们还通过建立具有挑战性案例的测试集提出了额外的评估策略。

Oct, 2021

本文提出了一个 360 度深度估计的方法，结合自监督学习和有监督学习，并使用全局信息编码的视觉 transformer 实现全局非局部融合块，提高了深度估计的准确性和整体效果。在多个基准测试中，我们的方法在之前的研究工作中取得了显著的改进和最先进的表现。

Sep, 2021

本文介绍了一种新的深度估计模型，使用 Vision Transformers 来提取图像中的全局上下文信息，实现对深度估算的改进，最终该模型在标准测试数据集上达到了最优性能。

Nov, 2022

本文提出了一种在单个图像中利用深度卷积神经网络和连续条件随机场进行深度估计的方法，通过结构化学习方案统一学习了连续 CRF 的一元和二元潜力，并通过实验证明了其在室内和户外场景数据集上优于现有深度估计方法。

Nov, 2014

本文提出了一种利用深度学习解决复杂多物体单目深度估计问题的端到端学习框架，通过将单目深度估计表述为一种多类别密集标注任务以及采用软加权和推断方法等策略，实现了对多尺度深度信息的有效利用，降低了量化误差并提高了方法的鲁棒性。实验结果表明，该方法在 NYU Depth V2 数据集上表现优于当前最先进方法。

Aug, 2017

利用生成网络的训练策略，我们提出了一种在无监督单目深度估计中具有鲁棒性的扩散模型，并采用分层特征引导的去噪模块来丰富模型的学习能力，进一步探索了图像重投影中的隐式深度，并设计了一种隐式深度一致性损失，从而提高了模型的性能和深度在视频序列中的尺度一致性。实验证明，我们的方法在生成网络模型中脱颖而出，并且具有显著的鲁棒性。

Jun, 2024