本文提出了一种结构感知的神经网络来处理单目深度估计过程中普遍存在的结构信息缺失问题，该网络采用了空间注意力块来捕捉视觉特征的空间关系，引入全局聚焦相对损失来增强深度预测的空间约束，并引入了新的 Hard Case Depth 数据集和专门的渐进式训练策略来训练模型，实验证明该方法在 NYUDv2 数据集上具有很高的预测精度和泛化性能。

Jul, 2020

通过使用广义时空上下文、姿势一致性约束和精心设计的光度损失掩蔽，我们将自监督单目深度和自我运动估计扩展到大基线多摄像机装置，从而学习生成密集、一致且具有尺度感的点云，这种点云与典型的LiDAR扫描仪具有相同的完整全景360度视场，并且我们提出了一种新的尺度一致评估指标更适用于多摄像头设置。

Mar, 2021

提出 ManyDepth，一种自适应的、可以在测试时间利用序列信息的深度估计方法，通过深度自监督训练基于端到端代价体系积攒的方法，鼓励网络忽略不可靠的代价体以及针对静态相机场景的增强方案。实验证明此方法在 KITTI 和 Cityscapes 上表现优于其他单帧和多帧的自监督基线模型。

Apr, 2021

该研究提出了一种基于Transformer和CNN特征组合的分层聚合模型，以解决有监督单目深度估计的问题，实验结果表明，该模型在KITTI、NYU和SUN RGB-D等数据集上均超越了现有的有监督单目深度估计方法，特别是在KITTI深度估计基准测试上实现了最具竞争力的结果。

Mar, 2022

本文提出了一种名为SurroundDepth的新型深度估计方法，运用多摄像头技术以及跨视图变换器，实现了在自动驾驶中对深度地图的精准预测，且在多视角实现机体运动一致性，取得了DDAD和nuScenes两个数据集的最佳成绩。

Apr, 2022

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

本文提出了一种新颖的跨尺度变换器来处理不同阶段的特征表示，同时引入了自适应匹配感知变换器、双特征引导聚合和特征度量损失等方法，以提高深度估计的准确性。实验证明，这种方法在DTU数据集和Tanks and Temples基准测试中取得了最先进的结果。

Dec, 2023

SM4Depth是一种无缝的单目度量深度估计方法，通过处理视场角度、离散深度间隔和解空间的多个子空间来解决摄像机、场景和数据水平上的挑战，且在大量训练数据不足的情况下表现出最先进的性能。

Mar, 2024

设计了 SmallDepth 方法以平衡精度与速度，通过等效转换模块、金字塔损失和函数逼近损失的引入，提高了 SmallDepth 的效果，实验结果在 KITTI 数据集上达到了最先进水平，并具有 500 帧每秒的推理速度和约 2 M 参数。

May, 2024

提出了一种名为ScaleDepth的新型单眼深度估计方法，它通过语义感知的尺度预测模块（SASP）和自适应相对深度估计模块（ARDE）将度量深度分解为场景尺度和相对深度，并在统一框架中实现了室内和室外场景下的度量深度估计。

Jul, 2024