本研究提出了一个简单且高效构造光场深度估计匹配成本的方法，通过一系列具有特定设计膨胀率的卷积构成成本构造器，能够在不使用任何移位操作的情况下，将预定义视差下的像素进行整合匹配并处理遮挡情况，所提方法在光场深度估计的深度网络建模中取得了较好的表现。

Mar, 2022

本文提出了一种既节省时间又节省内存的立体成像方法，该方法在几何和语境的渐进细化尺度中构建标准的特征金字塔下的代价体，随着不断增加的代价体分辨率以及深度（或差异）间隙的自适应调整，以较粗糙的方式从粗到细恢复输出。

Dec, 2019

提出一种高效的多视角立体（MVS）网络以实现多视角图像的三维重建和深度推断，其采用策略推断出粗到细的深度图，其中引入自注意力层与相似度测量来生成新的代价体以进行深度图细化，最终实验表明该模型优于大多数 SOTA 方法。

Nov, 2020

提出一种基于无监督学习的深度估计方法，通过探索角度的一致性和权重平滑性，实现在真实场景数据下进行更高精度的深度估计。

Jun, 2021

我们提出了一种新颖的自监督单眼深度估计方法，使用动态成本体积来处理静态环境中的移动物体，通过静态和动态成本体积互补来改善深度图的准确性，并采用金字塔蒸馏损失和自适应光度误差损失来提高精度。实验证明，我们的模型在自监督单眼深度估计方面优于先前发布的基线模型。

Aug, 2023

该论文提出了一种基于级联和融合代价体的深度学习模型 CFNet，以解决大规模标注数据集的深度立体匹配模型的泛化能力问题，通过融合多个低分辨率的密集代价体以及逐步缩小视差搜索空间的方式，建立起一套定量的不确定性估计体系，实现了对跨数据集间的泛化匹配能力的优化。

Apr, 2021

本文提出了一种基于成本体积的神经网络，可以从多视图图像中进行深度推断，在构建成本体积金字塔的过程中，通过从粗到细的方式代替固定分辨率的方式，使得网络结构更紧凑轻量，并允许我们推断高分辨率深度图以获得更好的重建结果。

Dec, 2019

本文基于学习的多视角立体 (MVS) 方法，采用匹配不确定性估计，将像素级遮挡信息显式地推理和集成到 MVS 网络中，从而抑制像素遮挡对成本聚合的不利影响，提高了 Vis-MVSNet 算法在严重遮挡场景中的深度精度。在 DTU、BlendedMVS 和 Tanks and Temples 数据集上进行了广泛实验证明了所提出算法的有效性。

Aug, 2020

基于非学习的优化方法，该论文提出了一种新的方法，通过明确考虑光场的 4D 几何模型，来利用 4D 几何信息进行深度估计，实验结果表明，该方法在表面法线角度精度方面优于现有的学习和非学习的方法，在平面表面上的平均中位角误差比现有方法低 26.3％，在均方误差 ×100 和 Badpix 0.07 方面与现有方法具有竞争力。

Mar, 2024

本文提出了一种新的深度学习立体匹配方法，通过在代价体上增加限制和建立局部基于峰值的单峰分布函数，显式地建模不同环境下的匹配不确定性，从而提高了匹配效果。

Sep, 2019