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

本文展示了使用去噪扩散概率模型进行单目 depth 和 optical flow 估计，通过 Monte Carlo 推理，结合了自监督预训练和合成和真实数据的监督训练，能够在去噪和缺陷数据方面提供技术创新，以及对于不确定性和多模态的处理能力等方面都能取得最先进的效果。DDVM 是本文中提出的模型，相对深度误差为 0.074，比最佳发布方法的 Fl-all outlier rate 高 25%。

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

该研究采用一种名为“Stealing Stable Diffusion (SSD) prior”的新方法来解决计算机视觉中单目深度估计在挑战性环境下的可靠性问题，通过利用稳定的扩散生成模拟各种挑战条件的合成图像，并引入自我训练机制和DINOv2编码器以增强模型在这些环境中的深度估计能力，同时通过引入教师损失来减少模型对教师模型的依赖，通过在nuScenes和Oxford RobotCar两个具有挑战性的公共数据集上的评估结果验证了该方法的有效性。

Mar, 2024

使用流场匹配的方法，通过引入预训练的图像扩散模型作为先验，允许仅在合成数据上进行训练的深度估计模型在真实图像上得到泛化；引入辅助表面法线损失进一步改进深度估计，模型对深度估计的置信度进行可靠预测，且在复杂自然场景的标准基准上，轻量级的方法表现优秀且计算成本低。

Mar, 2024

使用预训练的ViT模型的全局图像先验信息为单图深度估计提供更详细的上下文信息，从而建立了新的领先优势的模型，并在多个数据集上实现了显著的改进。

Mar, 2024

本研究解决了从单幅图像进行3D重建时存在的尺度模糊问题，提出了一种名为GRIN的高效扩散模型，能够处理稀疏无结构的训练数据。通过在扩散过程中结合图像特征与3D几何位置编码，该方法在跨八个室内外数据集实验中展示了新的零-shot标准单目深度估计的最佳性能，具有重要的潜在应用价值。

Sep, 2024

本研究针对现有的扩散模型在单目深度估计中的高计算需求问题，通过揭示推理管道中的缺陷，提出了一种更高效的解决方案。研究显示，经过端到端微调后的单步模型在常见的零样本基准测试中表现优于其他扩散基础的深度和法线估计模型，并提出这种微调方法也适用于稳定扩散模型，挑战了以往研究的结论。

Sep, 2024