本文提出了一种基于单张图像深度估计的 3D 物体检测方法，该方法利用细节和多个子任务提取视觉线索并生成多个深度估计值，再通过深度选择和组合策略得到单个深度估计值以提高精度和鲁棒性，在 KITTI 3D 物体检测基准测试中的表现甚至比当前最佳方法都要超过 20%。
May, 2022
通过研究基于单目输入的三维物体感知，提出了一种利用相机自运动提供的强几何结构进行精确物体深度估计和检测的方法，并建立了一个名为 “DfM” 的框架，成功地提高了 KITTI 基准数据集上的检测性能。
Jul, 2022
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
通过模式化的互补学习，PCDepth 充分利用两种模式，在夜间场景中获得比现有方法更精确的预测，MVSEC 夜间场景中准确率提高了 37.9%。
Feb, 2024
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。
本文提出了一种单目深度估计方法，通过前景 - 背景分离以及单独优化前景深度和背景深度的目标函数和深度解码器，极大地提高了前景目标深度的估计性能，并在应用于 3D 对象检测中各方面都达到了最先进的成果。
Sep, 2019
论文综述了五篇应用不同技术（包括监督、弱监督和无监督学习技术）尝试解决单目深度估计问题的论文，并比较这些论文之间的改进和理解，最后探讨了可能有助于更好地解决这一问题的潜在改进。
Jan, 2019
本篇研究提出了一种基于关键点的方法，利用单个 RGB 图像进行三维目标检测和定位，该网络基于 2D 关键点检测和几何推理方法，同时估计 2D 特征和全局 3D 姿态，最终在 KITTI 数据集中达到了最好的性能表现。
May, 2019
提出了一种灵活的单目 3D 物体检测框架，它显式地分离了长尾切断物体，并自适应地组合多种方法来估计物体深度。
Apr, 2021