本论文介绍了第二届单目深度估计挑战赛（MDEC）的结果。该挑战赛对使用任何形式的监督方法开放，包括全监督、自监督、多任务或代理深度。挑战赛是基于 SYNS-Patches 数据集进行的，该数据集包括高质量密集地面真实度的广泛环境。结果表明，本次挑战赛的提交结果均超过了提供的 SotA 基线，并取得了显着进展，同时强调了未来研究的方向。

Apr, 2023

EC-Depth 是一种新颖的自监督两阶段训练框架，通过提出的扰动不变深度一致性约束模块和基于一致性的伪标签选择模块，实现了标准和具有挑战性场景下精确一致的深度预测，超过了 KITTI、KITTI-C 和 DrivingStereo 基准，从而提高了自监督单目深度估计模型在实际应用中的可靠性。

Oct, 2023

评估新发布的 Depth Anything 模型在医疗内窥镜和腹腔镜场景的零样本性能，与在一般场景训练的其他单目深度估计模型以及在内窥镜数据上训练的领域内模型的准确性和推理速度进行比较。发现虽然 Depth Anything 的零样本能力相当令人印象深刻，但在速度和性能方面并不一定优于其他模型。希望本研究能引发在医学场景中应用基础模型进行单目深度估计的进一步研究。

Jan, 2024

本研究提出一种方法，利用单眼光度一致性为唯一的监督，联合训练深度、自我运动估计和物体相对于场景的稠密三维平移场的估计，通过已知 3D 平移场的稀疏性和对于刚性移动物体的恒定性进行正则化，有效提高了单眼深度预测模型的准确性。

Oct, 2020

本文提出了一种称为 ZeroDepth 的单目深度估计框架，采用输入级几何嵌入和变分潜在表示，并将编码器和解码器阶段解耦合，可以在不同域和相机参数的情况下预测任意测试图像的尺度。在户内（NYUv2）和户外（KITTI，DDAD，nuScenes）基准测试中，使用相同的预训练模型取得了最新的最佳成果，优于基于域内数据训练和需要测试时缩放以产生度量估计的方法。

Jun, 2023

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

该论文提出了一种基于视图合成的新型对抗训练方法，用于针对无实际深度信息的自监督 MDE 模型，通过 L0 范数约束来提高对物理世界攻击的鲁棒性，并通过与基于监督学习和对比性学习方法的比较，证明我们的方法可以在几乎不降低良性性能的情况下实现更好的鲁棒性。

Jan, 2023

提出了一种基于 transformer 网络的深度分解模块、一个迭代的相机位置残差估计模块和一个直接进行坐标卷积编码的坐标引导策略，从而提高了自监督单目深度估计方法在室内环境中的性能。

Jul, 2022

通过提出的 UniDepth 模型，我们能够从单个图像中重建度量 3D 场景，并实现相机驱动的深度特征的不变性。

Mar, 2024

本研究聚焦于自监督单目深度估计在室内环境下的困难，通过引入深度分解模块和残差姿态估计模块分别解决深度网络和姿态网络中的问题，实现相对室外环境更好的表现。

Jul, 2021