该研究提出了一种基于主动门控立体图像的高分辨率和长距离深度估计技术 - Gated Stereo，该技术利用主动和高动态范围的被动捕获，利用多视图线索以及来自主动门控的飞行时间强度线索。其中，该研究提出了一种通过单目和立体深度预测分支组合的深度估计方法，并且每个块都通过监督和门控自监督损失进行监督，并为汽车场景获取了一种长距离同步门控立体数据集。该方法的性能比最佳 RGB 立体方法提高了 50％以上的 MAE，并比现有的单目门控方法在距离 160 米内的距离范围内提供了 74％的 MAE。

May, 2023

通过利用带闸门相机的三幅图像，我们提出了一种成像框架，实现了与脉冲激光雷达测量相当的高精度深度图，有效地解决了现有扫描激光雷达系统的空间分辨率在大范围内降低的问题。

Feb, 2019

本文扩展了 Gated2Depth 框架，使用 aleatoric uncertainty 提供深度估计的信心度量，通过训练 LiDAR 深度填充算法生成的稠密深度图，进一步提高自驾汽车中采用 Gated imaging 技术生成的高保真密度深度图的性能。

Mar, 2020

本文提出了一种新颖的 RGB-D 传感器深度超分辨率方法，该方法通过高分辨率光度线索澄清深度超分辨率，并对未校正的光度立体进行低分辨率深度线索的澄清。使用变分方法处理 RGB-D 序列，并通过新的 PDE 光度立体正则化器隐式地保持了表面的规则性。实验表明，该方法能够在无需任何特殊先验知识或材料校准的情况下，在现实世界的环境中拍摄高质量的深度图像。

Aug, 2017

本文提出了一种基于深度学习和贝叶斯滤波的方法，从单目视频流中连续估计每个像素的深度和不确定度概率分布，通过积累时间降低深度不确定度，提高准确性和鲁棒性，该方法可将普通 RGB 相机转换成 RGB-D 相机，并实现更为精确、稳定、泛化性更好的 3D 场景重建。

Jan, 2019

通过融合毫米波雷达和红外热像摄像机，我们提出了一种鲁棒的米制深度估计方法，能够在自动驾驶中实现高精度和细节丰富的密集深度估计。

Feb, 2024

本文提出了一种基于神经网络的方法，将双目摄像机的立体匹配与双像素传感器的立体匹配相结合，以实现精准的景深图像，避免了前人研究中存在的模糊和匹配错误等问题，该方法对计算机摄影应用具有重要意义。

Mar, 2020

本研究提出了一种深度估计方法，利用来自双目立体视觉和稀疏激光雷达或深度相机的测量信息。通过融合各传感器的优势，即精确但稀疏的测量信息和模糊但密集的立体信息，并采用各向异性扩散和半全局匹配技术进行有效地融合。该方法在 KITTI 2015 和 Middlebury 2014 数据集上评估，表现显著，而且使用 PMDTec Monstar 传感器提供了定量结果。

Sep, 2018

在本文中，我们提出了两种高效且轻量级的编码器 - 解码器网络结构，RT-MonoDepth 和 RT-MonoDepth-S，用于降低嵌入式系统上的计算复杂性和延迟，以实现实时深度估计。我们的方法论表明，在单个 RGB 图像的更快推断速度下，可以达到类似于先前最先进深度估计作品的准确性。与现有的快速单目深度估计方法相比，我们提出的网络 RT-MonoDepth 和 RT-MonoDepth-S 在分辨率为 640×192 的单个 RGB 图像上在 NVIDIA Jetson Nano 上运行速度为 18.4＆30.5 FPS，在 NVIDIA Jetson AGX Orin 上运行速度为 253.0＆364.1 FPS，并在 KITTI 数据集上达到相对最先进的准确性。据作者所知，本文在准确性和最快推断速度方面都达到了最好的水平。

Aug, 2023

360 度摄像机的深度估计中，使用 Stereo Guided Depth Estimation (SGDE) 方法，通过利用重叠区域的多视图立体结果来提高整个图像的深度估计，解决了传统多视图立体方法和单目方法的局限性。

Feb, 2024