我们提出了一种端到端的框架，通过逐层搜索相应关系来解决高分辨率图像上的实时立体匹配问题，利用所提出的数据集进行训练和评估并在速度上超过竞争对手 ，能够在低延迟（30 毫秒）内准确预测近距离结构的视差，所提出的层次结构设计可以灵活地平衡性能与速度，用于自动驾驶等时间关键的应用。

Dec, 2019

通过利用传统的运动结构恢复来建立视频中像素的几何约束，使用基于学习的先验 —— 一种单图像深度估计的卷积神经网络，我们给出了一种用于重建密集、几何一致深度的算法。测试时，我们对这个网络进行微调，以满足特定输入视频的几何约束，同时保留其在视频中的其他区域中合成可信深度细节的能力。通过定量验证，我们证明了我们的方法比以前的单目重建方法有更高的准确性和更高的几何一致性。我们的算法能够处理具有轻度动态运动的挑战性手持捕获输入视频。改进重建的质量可以用于场景重建和高级视频视觉效果。

Apr, 2020

本文采用最大后验概率方法将低分辨率深度数据与高分辨率立体数据相结合，通过层次求解一系列局部能量最小化问题来产生深度图。通过新的相关函数、自适应成本聚合步骤以及基于场景纹理和摄像机几何的自适应融合方法，提出了一种精度更高的种子生长方法，避免了传播错误视差的倾向。该方法是高效的，可在标准台式计算机上以 3 FPS 的速度运行，并通过与现有方法的定量比较和实际深度 - 立体数据集的定性比较，证明了其强大的性能。

Dec, 2020

通过使用双目输入，引进左右一致性损失函数，并提出一种保存边缘特征的损失函数来改善测试时训练中的深度模糊问题，提出了一种稠密的双目视频深度估计方法，调研结果表明该模型精度可靠。

May, 2023

本文提出了一种用于估计一致密集深度图和相机姿态的算法，该算法基于学习的深度先验和几何优化相结合，不需要输入相机姿态，并能够在包括噪声、抖动、运动模糊和卷帘快门失真等多种挑战性条件下实现稳健的重建。

Dec, 2020

提出了一种无监督深度视觉几何估计方法来提高图像配准的精度，通过学习异常值掩模以去除噪声和提取更可靠的样本进行估计，使用 RANSAC 机制进行可靠区域选择，并专注于学习深度特征来计算损失，同时不忽略在真实场景中处理视差和运动物体的重要性。

Sep, 2019

利用双目摄像机的传感器融合提高室外图像的对象分割，通过几何信息的利用，可以区分重叠的同类或异类物体，并抑制虚假检测，该方法的融合过程基于面罩评分，采用伪激光雷达和基于图像的表示进行 2D、2.5D 和 3D ROI 上的面罩回归。通过使用具有更高分辨率、更长基线和焦距的 High-Quality Driving Stereo（HQDS）数据集，我们的性能达到了最新的技术水平。

Jun, 2020

本文研究了一种神经网络模型的新方法，使用稀疏相关物体代替密集相关物体，以更高效且准确地估算像素位移并降低计算成本和内存使用。

Apr, 2021

本文提出了一种新的多视图立体（MVS）深度图计算优先级方法，该优先级方法在 MVS 算法执行之前进行两步操作，包括寻找匹配伙伴并根据观测质量对结果进行排名，另外还使用了一种基于机器学习的信心预测器，能够对图像星座的质量进行评估，并提出一种优先级方法来构建稳固的三维重建基础，实验表明使用该方法能够在文化遗产保护和建造重建领域中达到更好的重建质量。

Mar, 2018

本研究提出了一种用于减少计算负担和对大规模景观适用的轻量级花费体积平均群组相似性度量以及基于此有效的花费体积表示的级联 3D U-Net 模块，并将多视角深度推断重新转换为反深度回归任务，旨在提升深度推断的可扩展性和准确性，在 DTU 数据集和 Tanks and Temples 数据集上实现了方差的估计和最优性能的状态。

Dec, 2019