本文提出了一种使用立体匹配网络作为代理从合成数据中学习深度并使用预测的立体视差图来监督单目深度估计网络的方法，并提出了不同的策略以确保学习到的深度感知能力在不同领域之间得到很好的转移。通过大量实验证明了该方法在 KITTI 数据集上具有最先进的单目深度估计结果。

Aug, 2018

该研究提出了一种新颖的通用立体和深度数据融合范例，通过用深度传感器替代不可靠的物理模式投影仪模拟主动立体原理。它通过将与场景几何一致的虚拟模式投影到由传统立体相机获取的左右图像上，利用深度传感器获得的稀疏提示，促进视觉对应。我们的框架可以与任何深度感应设备无缝连接，实现虚拟主动立体设置的部署，克服了物理模式投影的严重限制，如有限的工作范围和环境条件。通过在室内和室外数据集上进行详尽实验，包括提供来自现成深度传感器的原始、未滤波的深度提示的长距离和近距离数据，突出了我们方法在不修改代码甚至无需重新训练的情况下显著提升算法和深度立体的鲁棒性和准确性。此外，我们评估了我们策略在传统模式投影的主动立体评估数据集上的性能。实际上，在所有这些场景中，我们的虚拟模式投影范例实现了最先进的性能。源代码可在此 https URL 找到。

Jun, 2024

本论文提出了一种针对卷积神经网络在新领域上泛化能力不佳的自适应训练方法，结合了合成数据和部分无标注实际数据。通过图拉普拉斯正则化的迭代优化问题求解，让 CNN 能够根据新领域的实际数据自适应地调整自身参数，在保持边缘的同时消除伪像，实现在两个场景中的高效应用。

Mar, 2018

本文提出一种名为 Matching-Space Networks (MS-Nets) 的新型网络结构，通过从 RGB 值中提取学习特征转而利用 Matching Space 的匹配函数和置信度测量来实现图像的立体匹配，避免过度专门化到特定领域的特征，达到了更好的泛化性能和准确率表现。

Oct, 2020

提出一种针对立体匹配网络中特征一致性维护的方法，通过像素级对比学习、特征保白和特征一致性损失函数等手段，实现模型在未知领域的泛化能力提升，并在合成数据经过训练后在四个真实测试集上实现比多种现有技术更好的性能。

Mar, 2022

本研究提出了一种端到端的域翻译和立体匹配网络训练框架，通过引入双向多尺度特征重投影损失和相关性一致性损失等两个新颖的损失函数来提高合成立体图像到真实图像的转换效果以及维护单应约束，实验证明进行域翻译和立体匹配网络联合优化能够有效地解决合成数据集所引入的领域偏差问题，从而实现更准确的立体匹配。

May, 2020

利用大规模数据集训练的模型特征，采用余弦相似度为基础的代价体积作为桥梁，将特征嫁接到一个普通的代价聚合模块，以此来解决领域转化带来的一般化能力不足。通过将嫁接特征输入到一个浅层网络进行变换计算代价，从而恢复更多的任务 - specific 信息，大量实验表明，这种宽光谱和任务定向的特征可以显著提高模型的泛化能力。

Apr, 2022

本文提出了设计域不变的立体匹配网络的方法，其中使用了新颖的 “域标准化” 方法以及可训练的基于非局部图滤波器的方法，使网络能够在新的场景中泛化，并在实验中得到了显著提高。

Nov, 2019

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

本研究针对多视点立体重建（Multi-view Stereo，MVS）领域中的领域泛化问题，提出了一种名为 RobustMVS 的新型框架，并引入 DepthClustering-guided Whitening（DCW）损失以维持不同视角之间的特征一致性，实验结果表明我们的方法在领域泛化基准测试中取得了优越性能。

May, 2024