本文探讨了在内窥镜手术中进行单目深度估计的方法，提出了自我监督学习、几何一致性损失和多尺度卷积网络等创新技术，以提高深度估计的准确性和鲁棒性，旨在提升腹腔镜手术的效率和安全性，并通过实验验证了其优越性。

本文介绍了一种单目深度估计器SC-Depth，使用未标记的视频进行训练，并能实现尺度一致的预测。通过几何一致性损失和自我发现掩码等方法，提高了深度估计的质量。在KITTI和NYUv2数据集上展示了高质量的结果。此外，该网络可以轻松集成到ORB-SLAM2系统中，实现更强大和准确的跟踪。在KITTI和KAIST数据集上表现出很强的性能。

本文提出了一种单目深度估计器SC-Depth，可以使用未标记的视频进行训练，并能在推理时实现尺度一致的预测。该方法包括几何一致性损失、自动定位移动对象的自我发现掩码等组件，通过详细的消融研究证明了每个组件的功效，并展示了在KITTI和NYUv2数据集中高质量的深度估计结果。此外，该方法可以轻松地集成到ORB-SLAM2系统中以实现更强大和准确的跟踪。提出的混合Pseudo-RGBD SLAM在KITTI中具有很强的性能，并且在没有额外训练的情况下很好地推广到KAIST数据集。最后，提供了几个演示以进行定性评估。

本文介绍了一种单目深度估计器SC-Depth，使用未标记的视频进行训练，并能实现尺度一致的预测。贡献包括几何一致性损失、自动定位移动对象的自我发现掩码等。通过消融研究证明了每个组件的功效，并展示了在KITTI和NYUv2数据集中的高质量深度估计结果。此外，该网络可以轻松集成到ORB-SLAM2系统中，实现更强大和准确的跟踪。在KITTI中具有很强的性能，并在KAIST数据集中推广。提供了几个演示以进行定性评估。