本研究提出一种基于卷积神经网络的单张图像深度估计方法，使用更容易获取的双目立体视觉图像替代需要大量对应地面真实深度数据的监督式回归训练，通过利用同一场景下两个视点的对极约束，生成视差图，并利用一种新的训练目标函数，结合左右两张图像的视差图像互相匹配和校准，提高了深度估计的性能表现，从而实现了在 KITTI 数据集上的单张图像深度估计的最新领先水平，甚至超过了基于真实深度训练的监督式方法。

Sep, 2016

本论文介绍了第二届单目深度估计挑战赛（MDEC）的结果。该挑战赛对使用任何形式的监督方法开放，包括全监督、自监督、多任务或代理深度。挑战赛是基于 SYNS-Patches 数据集进行的，该数据集包括高质量密集地面真实度的广泛环境。结果表明，本次挑战赛的提交结果均超过了提供的 SotA 基线，并取得了显着进展，同时强调了未来研究的方向。

Apr, 2023

该研究提出一种新的数据增强方法（data grafting）、探索性自蒸馏损失函数（exploratory self-distillation loss）、和全尺寸卷积神经网络，以提高自监督单目深度估计的表示能力和性能表现，实验结果表明该模型 EPCDepth 在更少的计算量下超越了之前的最新优秀模型。

Sep, 2021

该论文提出了一种改进的自监督学习方法，包括最小 reprojection 损失、全分辨率多尺度采样和自动屏蔽损失，以实现单眼深度估计。研究结果表明，该方法能够在 KITTI 基准测试上达到业界领先的结果。

Jun, 2018

本文提出的自监督方法能够在 KITTI 数据集上以最先进的精度预测深度图，并且能够用于在训练过程中估计深度图的不确定性。

May, 2020

本文提出了一种单目深度估计器 SC-Depth，它只需要使用未标记的视频进行训练，并能在推理时实现尺度一致的预测。我们的贡献包括：(i) 我们提出了一种几何一致性损失，惩罚相邻视角之间预测深度的不一致性；(ii) 我们提出了自动定位违反基本静态场景假设并在训练过程中引起噪声信号的移动对象的自我发现掩码；(iii) 我们通过详细的消融研究证明了每个组件的功效，并展示了在 KITTI 和 NYUv2 数据集中高质量的深度估计结果。此外，由于具有尺度一致性预测的能力，我们展示了我们训练的单目深层网络可以轻松地集成到 ORB-SLAM2 系统中以实现更强大和准确的跟踪。提出的混合 Pseudo-RGBD SLAM 在 KITTI 中具有很强的性能，并且在没有额外训练的情况下很好地推广到 KAIST 数据集。最后，我们提供了几个演示以进行定性评估。

May, 2021

该论文提出了一种自监督学习的方法，利用几何先验和自编码器来提高单目深度估计的效果，实验结果表明该方法在 KITTI 数据集上的表现优于现有方法，适用于高性能 GPU 和嵌入式设备。

Aug, 2019

本研究聚焦于自监督单目深度估计在室内环境下的困难，通过引入深度分解模块和残差姿态估计模块分别解决深度网络和姿态网络中的问题，实现相对室外环境更好的表现。

Jul, 2021

本文介绍了一种新方法，可将任何现成的自我监督的单目深度重建系统扩展到在测试时使用多个图像。该方法利用自我监督来提高多个视图可用时深度重建的准确性，在 KITTI 基准测试中，我们的自我监督方法在常见的三种设置（单目、立体和单目 + 立体）下平均减少绝对误差 25％，并在准确性上接近完全受监督的最先进方法。

Apr, 2020

利用自我监督训练框架，将静态和动态区域的图像深度估计分离，通过伪深度标签改善动态场景的深度估计性能。

Apr, 2024