通过使用深度传感器的增强现实设备，我们提出了一种实时的 RGB-D 物体检测模型，其中包括深度引导的超卷积和基于上采样的可训练融合层，提高了从原始深度图中提取深度和彩色图像特征的效率和性能，并在 NYU Depth v2 数据集上表现优于其他基于 RGB-D 的物体检测模型，在 SUN RGB-D 数据集上表现相当出色，并且在新的室外 RGB-D 物体检测数据集上也表现出色。同时，我们的模型在来自 CAD 模型和图像生成的多样化合成数据的性能评估中显示出了应用于增强现实的潜力。

Sep, 2023

提出一种新的无参数化方法，其中统一模型结合了设备多重信息线索，以处理前景分割中的深度线索。通过引入新的深度数据模型，处理不准确数据以提高前景分割，同时引入了一个新的 RGBD 视频数据集，为这类算法的比较提供了新的标准。结果表明，该方法可以处理多种实际情况，并在所有情况下都获得良好的结果。

Sep, 2016

本研究证明，在计算机视觉中，利用单目图像估计出深度信息与 RGB 图像结合能够显著提高目标检测和语义分割的精度。

Oct, 2016

本文提出了一种自适应景观识别方法，该方法使用 RGB 和深度图像之间的自监督转换，以解决多模态数据集之间的领域转移问题，并证明其在不同相机采集的数据之间具有很强的泛化能力。

Mar, 2021

本文提出了一种新颖的深度感知注意力融合网络，利用深度图作为辅助输入，增强网络感知三维信息的能力，从而改善伪装物体检测。通过使用特定的编码器提取色彩和深度信息，并引入深度加权的交叉注意力融合模块来动态调整深度和 RGB 特征图的融合权重。最后，采用简单而有效的特征聚合解码器自适应地融合改进的聚合特征。实验表明，我们提出的方法在伪装物体检测方面具有显著的优势，进一步验证了深度信息在其中的贡献。

May, 2024

本研究提出了一种基于深度学习和无监督学习的 RGB-D 显著目标检测方法，利用基于深度学习的迭代自动伪标签生成和注意力训练策略，无需人工像素级注释即可在无监督场景下提高 RGB-D 显著目标检测的效率和效果，同时也适用于全监督情况下的场景。

May, 2022

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

通过引入 3D 信息和 Depth-Aware Discrete Autoencoder (DADA) 架构，以及提出的新型表面异常检测方法 3DSR，本研究在 MVTec3D 异常检测基准上取得了准确性和处理速度方面的优势，验证了利用深度信息提升表面异常检测的潜力。

Nov, 2023

该论文介绍了两种方法来利用多通道输入和无监督域自适应算法来提高机器人对真实图片的语义分割结果，其中一种是基于深度图像的融合方法，另一种是基于深度图像的多任务学习方法，并创建了相应的基准测试。

Dec, 2018