本文提出 DNet 方法，利用密集连接预测层（DCP）和密集几何约束（DGC）部分解决自我监督方法中单目深度估计的两个问题：精确的对象级深度推断和不确定的比例因子。实验证明，DCP 层可以更好地识别深度图像中的对象边界并改善对象级深度的连续性，而使用 DGC 执行比例恢复的性能与使用真实地面真值信息相当。

Apr, 2020

通过使用分离前景和背景像素的解码器来进行深度估计及通过深度估计网络的置信度估计充当三维物体探测器软注意力机制，我们提出了一种置信度引导的立体 3D 物体检测方法。该方法在 KITTI 基准上表现优于现有的立体 3D 检测器。

Mar, 2020

提出了一种基于多摄像头的 3D 对象检测框架，使用基于上下文注意力的网络，直接在 3D 空间中进行边界框的预测，实现了全球最佳性能。

Oct, 2021

本文提出了一种名为 DCD 的算法，通过利用物体的关键点投影约束来估计多个深度候选项，使用更多地投影约束和产生更多深度候选项，实现了更准确的深度估计。该算法在 KITTI 和 WOD 基准测试上取得了最先进的性能。

Jul, 2022

本文通过设计一种循环神经网络（DBox）和引入 ODMD 数据集解决了物体深度估算问题，ODMD 基准测试包括 4 个验证和测试集，不仅在物体检测和机器人领域中取得了最先进的结果，而且可以使用手机相机估算物体的深度。

Mar, 2021

本文提出了一种将实例深度复杂度降低的方法，即将实例深度重新定义为实例表面视觉深度（视觉深度）和实例属性深度（属性深度）的组合，并将 3D 定位不确定性分解为视觉深度不确定性和属性深度不确定性，取得了 KITTI 数据集的最新的最佳结果

Jul, 2022

本文提出了一种基于单目 RGB 图像的 3D 目标检测方法 ——Center3D，通过利用 2D 和 3D 中心之间的差异及组合分类和回归方法，可以更加准确、高效地定位和深度估计，相较现有方法，实验表明此方法在 KITTI 数据集上表现更好。

May, 2020

该文通过构建几何相关图，利用概率表示来解决单目三维检测的问题，从而提高了检测性能并保持实时性的有效性。

Jul, 2021

本文提出了一种自主引导的语义深度估计方法（SGDepth），通过交叉域训练避免移动车辆和行人等动态类别对象对深度标签的干扰，利用异构网络头进行语义分割和深度估计，采用语义遮罩机制预防动态物体的污染，并引入一种检测算法学习移动类别对象的深度。通过在多个数据集上评估验证了该方法的性能。

Jul, 2020

提出了一种 Categorical Depth Distribution Network (CaDDN) 的解决方案，用于解决单目三维目标检测中的深度估计问题。在 KITTI 3D 目标检测基准测试中排名第一，同时也提供了用于 CaDDN 的代码发布。

Mar, 2021