本文提出了一种深度估计的训练方法，利用多种不同来源的数据集和多目标学习来提高训练效果，同时跨数据集的测试结果表明该方法优于竞争方法并取得了深度估计领域的最新成果。

Jul, 2019

提出了一种新的基于几何和光学的三维地图制图方法，利用稠密单目SLAM和实时分层体积神经辐射场技术，通过提供估计准确的位姿和深度图的相关不确定性，实时适应神经辐射场的场景。通过采用提出的基于不确定性的深度损失，实现了良好光学和几何精度，在实时和单目成像的情况下比竞争方法更精确(最高提高179%的PSNR和86%的L1深度)。

Oct, 2022

通过利用单目 3D 先验性，提出了无假设的方法来校准完整的 4 DoF 内参参数，并引入了一个新的单目 3D 先验——入射场，使用鲁棒的RANSAC算法实现内参的恢复，进而实现图像处理检测与恢复、不经过校准的两视图姿态估计和三维感知等下游应用。

Jun, 2023

通过将其作为迭代去噪过程进行建模，我们引入了一种新的自监督深度估计框架MonoDiffusion，该模型通过伪真实扩散过程生成伪真实数据以辅助扩散，从而解决了缺乏真实深度数据的问题。通过应用蒸馏损失来指导去噪深度，并使用掩码视觉条件机制增强模型的去噪能力。在KITTI和Make3D数据集上进行的广泛实验证明了MonoDiffusion比现有的最先进竞争对手表现更好。

Nov, 2023

从单幅图像恢复3D深度是一项基础的计算机视觉任务，本研究提出了一种基于稳定扩散方法的仿射不变单目深度估计方法Marigold，通过使用先前生成扩散模型中捕获的大量先验知识，该方法在各种数据集上取得了最先进的性能表现。

Dec, 2023

使用一种通用的、无任务依赖的扩散模型，采用对数尺度深度参数化来联合建模室内和室外场景，通过视野的条件处理尺度模糊，通过训练中合成视野的方法来推广到训练数据中较有限的相机内参，通过使用更多样化的训练混合和有效的扩散参数化，我们的方法 DMD（Diffusion for Metric Depth）相对误差（REL）在零样本室内数据集上减少25%，在零样本室外数据集上减少33%，只使用了少量去噪步骤。

Dec, 2023

MoD-SLAM是一种基于神经网络的单目稠密建图方法，通过使用单目深度估计来优化场景重建，并利用闭环检测来更新相机姿态，实现实时在无边界场景中进行全局姿态优化和三维重建。与以往神经网络建图方法相比，我们的方法更加稳健、可扩展和多功能，在大型无边界场景中表现出更卓越的建图性能。

Feb, 2024

通过使用Diffusion4D生成真实的RGBD样本，本文提出了一个新的训练流程，在室内NYU Depth v2数据集和室外KITTI数据集上，通过生成样本丰富的有监督训练流程，相对于合成数据和原始数据，在单目深度估计任务中取得了(8.2％，11.9％)和(8.1％，6.1％)的RMSE降低。

Mar, 2024

提出了MultiDiff方法，它是一种用于从单个RGB图像一致地合成新视角的新方法，通过引入单目深度预测器和视频扩散模型作为强先验条件，实现了高质量和多视角一致的结果。

Jun, 2024

本研究解决了零-shot单目深度估计中的效率问题。提出了一种名为PrimeDepth的方法，通过提取来自稳定扩散的一种冻结图像表示，显著提高了测试时间的效率，同时保持或增强了基于扩散方法的优点。实验结果表明，PrimeDepth在处理复杂场景时更为稳健，并在深度估计质量上略优于现有领先方法，开创了零-shot单目深度估计的新局面。

Sep, 2024