本文提出一种无监督的自我监督方法，用于训练卷积神经网络从单目内窥镜数据中密集地估计深度，而无需先验建模解剖或着色。

Jun, 2018

提出了一种基于单目内窥镜数据的自监督卷积神经网络训练方法，无需解剖学或阴影的先验建模，仅需要单目内窥镜视频和多视角立体方法，如运动结构，以稀疏方式监督学习。

Feb, 2019

本文提出了一种在内窥镜术中进行单目深度估计的方法，该方法利用几何一致性损失和梯度损失来提高重建效果，并使用合成的 RGB-Depth 数据集来捕捉解剖结构上的反射和照明变化，实验结果表明该方法在实现视频 - CT 配准算法的精度要求时，具有优于现有方法的表现。

Apr, 2023

该研究提出一种基于双目内窥镜深度估计和光流的深度声明网络，通过减小两个几何损失优化相机姿态估计，并且引入了两个自适应的像素权重映射来平衡贡献，实现在挑战性的内窥镜手术场景中更加鲁棒的相机姿态估计，具有推进微创外科领域相关任务（如 SLAM 或 3D 重建）的研究意义。

Apr, 2023

该研究提出了一种新方法来利用标记的合成数据和未标记的真实数据，以实现对结肠镜序列的更具弹性和准确的深度图预测。

Oct, 2023

本文提出了一种新的单目深度估计框架，引入了基于先验的正则化来学习配准深度图像的分布知识以避免错误训练，并使用 Mapping-Consistent Image Enhancement module 来增强图像可视性和对比度，同时维持亮度一致性，最后使用基于统计的掩码策略调整纹理区域内删除像素数量的数量来解决在夜间场景下的问题，实验表明每个部分都是有效的，并取得了令人瞩目的成果和最新成果。

Aug, 2021

通过利用单视角自监督信号，我们提出了一种单视角自监督方法，它在没有深度基准数据的情况下达到了与监督学习方法类似的性能。

Aug, 2023

本文提出了一种基于表面感知性约束的深度估计方法，将相机参数纳入训练管道以增加深度估计的控制和透明度，并整合了去除高光模块以恢复更多 buried image 信息，且实验和用户研究证明了该方法的有效性。

Mar, 2022

这个研究探讨了如何通过使用卷积神经网络和其它技术来优化和扩展基于深度学习的深度估计模型，以提高相机获取的图像的三维深度感知的精度。

Apr, 2023

基于物理驱动的深度学习框架用于单目深度估计，通过假设 3D 场景由分段平面组成，提出了一种新的正常 - 距离头来推导每个位置的深度，同时，通过开发的面感知一致性约束对正常和距离进行规范化，并引入了额外的深度头来改善框架的鲁棒性，利用有效的对比迭代细化模块根据深度的不确定性互补地对深度进行精细化改进，实验证明该方法在 NYU-Depth-v2、KITTI 和 SUN RGB-D 数据集上超过了现有的最先进竞争方法，值得注意的是，它在 KITTI 深度预测在线基准测试中的提交时间中排名第一。

Sep, 2023