本文介绍了一种名为 FG-Depth 的简单而有效的框架，通过利用预训练的 Flow-Net 的先验知识来引导优化，从而打破了无监督单眼深度估计的瓶颈，提出了流蒸馏损失和基于先验流的掩模来提高模型性能以及消除噪声，实验结果表明，该方法在 KITTI 和 NYU-Depth-v2 数据集上均达到了最领先的效果。

Jan, 2023

通过动态的运动流模块及深度感知模糊和成本体积稀疏损失，在自我监督多帧方法中解决了深度估计中的运动物体、光流和光度误差问题，并在实验中表现出超越其他方法的性能。

Mar, 2024

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

该研究提出了一种基于可微的光流深度预测层的方法，包括光流深度预测层、相机姿态优化模块和深度融合网络，该方法在三个公共数据集上的实验结果表明其性能优于现有的深度估计方法，并具有合理的交叉数据集泛化能力。

Dec, 2019

提出了一种自监督室内单目深度估计框架 F^2Depth，利用自监督光流估计网络对深度学习进行监督，结合经过精调的光流估计网络产生的多尺度特征图进行特征图融合损失计算，实验结果表明该框架及其提出的损失函数具有较好的室内场景单目图像泛化能力。

Mar, 2024

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

本研究提出了一种基于学习的单眼立体视觉方法，可扩展到多个目标帧的深度信息融合，具有优秀的精度和效率。

Sep, 2019

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

本研究提出了一种基于深度学习和几何图像匹配的光学流估计方法 MatchFlow，通过先使用几何图像匹配（GIM）作为预训练任务，再进行光流估计，从而提高了图像特征的匹配性能，实验结果表明该模型性能优异，相较于已发表的方法，拥有最优的表现。

Mar, 2023

本文提出了一种称为 Mono-SF 的新型单目 3D 场景流估计方法，将多视角几何和单视深度信息相结合，使用统计方式的卷积神经网络 ProbDepthNet 来整合单视深度估计，并通过回校准技术提高估计深度的准确性。实验证明 Mono-SF 具有优于现有单目基线的性能，对 Mono-SF 方法和 ProbDepthNet 设计的削弱研究成果支持该方法。

Aug, 2019