从单幅图像恢复 3D 深度是一项基础的计算机视觉任务，本研究提出了一种基于稳定扩散方法的仿射不变单目深度估计方法 Marigold，通过使用先前生成扩散模型中捕获的大量先验知识，该方法在各种数据集上取得了最先进的性能表现。

Dec, 2023

通过将其作为迭代去噪过程进行建模，我们引入了一种新的自监督深度估计框架 MonoDiffusion，该模型通过伪真实扩散过程生成伪真实数据以辅助扩散，从而解决了缺乏真实深度数据的问题。通过应用蒸馏损失来指导去噪深度，并使用掩码视觉条件机制增强模型的去噪能力。在 KITTI 和 Make3D 数据集上进行的广泛实验证明了 MonoDiffusion 比现有的最先进竞争对手表现更好。

Nov, 2023

通过使用准确的陆地深度数据生成真实感的水下图像，我们提出了一种新的流程，实现了水下深度估计模型在未见水下图像上取得了相当大的定量和定性改进，并帮助了依赖于深度图的水下图像恢复技术。

Dec, 2023

该研究旨在通过利用现有视频生成模型中的先验知识，将视频深度估计问题转化为条件生成问题，以降低学习难度并增强泛化能力。通过实证验证，作者提出了一种先优化空间层再优化时间层的训练策略，并通过滑动窗口策略在任意长的视频上进行推断，从而获得更具时间一致性的深度估计结果。实验结果表明，作者提出的 ChronoDepth 方法在估计深度的时间一致性方面优于现有方法，并在深度条件视频生成和新视角合成等实际应用中展示了更一致的视频深度的益处。

Jun, 2024

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

本文展示了使用去噪扩散概率模型进行单目 depth 和 optical flow 估计，通过 Monte Carlo 推理，结合了自监督预训练和合成和真实数据的监督训练，能够在去噪和缺陷数据方面提供技术创新，以及对于不确定性和多模态的处理能力等方面都能取得最先进的效果。DDVM 是本文中提出的模型，相对深度误差为 0.074，比最佳发布方法的 Fl-all outlier rate 高 25%。

Jun, 2023

利用生成网络的训练策略，我们提出了一种在无监督单目深度估计中具有鲁棒性的扩散模型，并采用分层特征引导的去噪模块来丰富模型的学习能力，进一步探索了图像重投影中的隐式深度，并设计了一种隐式深度一致性损失，从而提高了模型的性能和深度在视频序列中的尺度一致性。实验证明，我们的方法在生成网络模型中脱颖而出，并且具有显著的鲁棒性。

Jun, 2024

使用基于学生 - 教师策略、数据集成和立体信心引导回归损失的方法，可以提高单目深度估计的精度，并用于高级视觉任务，如室外场景的驾驶情境等。

Apr, 2019

在本文中，我们揭示了单目深度估计方法在恶劣照明和天气条件下的不可靠性，并使用 md4all 解决了这些安全关键问题，该解决方案在逆境和理想条件下以及不同类型的学习监督下都能可靠工作。通过利用现有方法在完美条件下的功效，我们独立于输入提供有效的训练信号，从而在推断时不需要进行修改，通过生成与正常训练样本相对应的一组复杂样本，并通过提供生成的样本并计算相应原始图像上的标准损失来指导模型的自监督或完全监督训练。在挑战性的 nuScenes 和 Oxford RobotCar 两个公共数据集上进行的大量实验证明了我们技术的有效性，在标准和挑战性条件下都显著优于先前的工作。源代码和数据可在此 https URL 找到。

Aug, 2023

借助 SSI 输入来增强 SI 深度估计的新方法，通过引入一个新的稀疏排序损失，实现 SSI MDE 中高分辨率细节的生成，同时在计算摄影应用中展示了其生成高度详细的 SI 深度图并在多种情境中实现了泛化。

Jun, 2024