本文提出了一种名为 SurroundDepth 的新型深度估计方法，运用多摄像头技术以及跨视图变换器，实现了在自动驾驶中对深度地图的精准预测，且在多视角实现机体运动一致性，取得了 DDAD 和 nuScenes 两个数据集的最佳成绩。

Apr, 2022

本文提出了两个改进方法，以提高深度估计和 ego-motion 估计的性能：使用 Lie group 属性强制实现图像之间的几何一致性，实现了一种关注机制，以便在存在图像重建损坏的情况下关注感兴趣的图像区域。在 KITTI 数据集上的实验结果表明，我们的方法改进了 state-of-the-art 的性能。

Apr, 2020

通过使用广义时空上下文、姿势一致性约束和精心设计的光度损失掩蔽，我们将自监督单目深度和自我运动估计扩展到大基线多摄像机装置，从而学习生成密集、一致且具有尺度感的点云，这种点云与典型的 LiDAR 扫描仪具有相同的完整全景 360 度视场，并且我们提出了一种新的尺度一致评估指标更适用于多摄像头设置。

Mar, 2021

本论文提出了一种基于自注意机制和通道注意力的深度估计网络（CADepth-Net），通过结构感知模块和细节强调模块对场景结构和细节信息进行建模和处理，从而实现更加准确和清晰的深度预测，并在 KITTI 基准和 Make3D 数据集上取得了最新的最先进成果。

Dec, 2021

自动驾驶车辆和机器人需要在各种不同的场景中高效而安全地完成任务。本研究介绍了一种基于自我监督单目深度和自我运动学习原理的外参标定新方法，其利用单目深度估计器和姿态估计器结合速度监督对外参进行估计，并联合学习附加在移动车辆上的一组重叠相机的外参标定。实验结果表明，与传统的基于视觉的姿态估计流水线相比，我们的方法能够在各种场景中稳健且高效地实现自我标定，并展示了通过联合优化改进深度估计的外参自校准的优势。

Aug, 2023

本文提出了一种无监督学习框架，通过使用视图合成作为监督信号，同时训练深度和相机位姿估计网络以完成从非结构化视频序列中的单目深度和相机运动估计的任务。经验评估表明，我们的方法具备与基于监督方法使用地面真值位姿或深度进行训练的方法相当的单目深度估计能力，并且在相似的输入设置下，姿态估计表现良好。

Apr, 2017

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

EC-Depth 是一种新颖的自监督两阶段训练框架，通过提出的扰动不变深度一致性约束模块和基于一致性的伪标签选择模块，实现了标准和具有挑战性场景下精确一致的深度预测，超过了 KITTI、KITTI-C 和 DrivingStereo 基准，从而提高了自监督单目深度估计模型在实际应用中的可靠性。

Oct, 2023

CTA-Depth 是一种用于多帧单目深度估计的网络，其采用多层关注增强模块与上下文感知时间关注 (CTA) 调整深度和姿态优化过程，以捕捉全局时间上下文关联并保持运动物体特征的一致性和估计完整性。特别地，该方法采用 LGE 模块来产生长程时间几何先验，并在三个基准数据集上取得了显着的改进。

May, 2023

360 度摄像机的深度估计中，使用 Stereo Guided Depth Estimation (SGDE) 方法，通过利用重叠区域的多视图立体结果来提高整个图像的深度估计，解决了传统多视图立体方法和单目方法的局限性。

Feb, 2024