本文使用 Grand Theft Auto (GTA-V) 生成高分辨率的合成深度数据集 (HRSD)，包含 100,000 张彩色图像和相应的密集地面真实深度图，实验结果表明，使用此数据集训练的 DPT 算法在不同场景下的深度估计精度提高了 9％，进一步利用特征提取模块和注意力损失，可以将准确度提高 15％。

May, 2023

通过注意力模块，学习识别和去除真实图像中的困难部分，以提高合成数据训练的模型对真实图像的景深估计。

Feb, 2020

本文提出了一种使用立体匹配网络作为代理从合成数据中学习深度并使用预测的立体视差图来监督单目深度估计网络的方法，并提出了不同的策略以确保学习到的深度感知能力在不同领域之间得到很好的转移。通过大量实验证明了该方法在 KITTI 数据集上具有最先进的单目深度估计结果。

Aug, 2018

通过模拟关键因素（如传感器噪声、材料反射、表面几何）生成真实的深度数据，以提高深度神经网络的训练效果。

Feb, 2017

本文通过使用领域不变的虚焦模糊作为直接监督来解决数据驱动的深度估计方法在不训练场景外的概括能力问题，并利用置换不变卷积神经网络利用虚焦提示，通过不同焦点的图像差异训练模型，从而在合成数据集合和真实世界图像集合上取得了令人信服的泛化结果和最先进的深度预测。

May, 2020

本文提出了一种基于几何感知的对称域自适应框架 (GASDA)，将合成数据中的标签和现实数据中的极线几何 (epipolar geometry) 共同探索，通过训练两个图像样式转换器和深度估计器对称地建立端到端网络，实现更好的图像样式转换和深度图像生成。实验结果表明，该方法的效果显著，性能接近最先进技术水平。

Apr, 2019

本篇论文提出了一种基于元学习的对抗式深度估计任务来增强深度估计模型的泛化能力，并引入了约束条件以迫使深度估计在不同对抗性任务中是相同的。实验证明，该方法能够在少量训练步骤后适应新的数据集。

Mar, 2022

本文提出了一种半监督对抗学习框架来解决当仅有有限数量的训练图像 - 深度对时，单目深度估计的问题，并在 NYUD v2 数据集上改进了大部分最先进的模型。

Aug, 2019

本研究提出一个无监督领域适应策略 --AdaDepth，通过对抗式学习和对齐源域和目标域表征的显式强制内容一致性，克服了使用合成数据集时可能出现的领域适应问题，在单目深度估计任务中表现出与其他方法具有竞争力的性能并在半监督设置中实现了最先进的结果。

Mar, 2018

本研究提出了一种基于 CAD 模型、使用生成式对抗网络的增强方法进行无监督训练，从而更好地识别深度图像并恢复可靠的深度信息。该方法不但简化了识别算法的训练，通过各种实验，还证明了其性能优于传统方法。

Apr, 2018