本研究提出了一种梦纹理方法，通过单目深度线索重建3D对象，有效解决了无监督3D重建中的计算成本和约束问题。实验结果表明，该方法能够充分利用纹理线索，提升单目重建效果。

本研究提出了一种“视频深度任意物体”模型，解决了单目深度估计在视频中的时间不一致性问题。该模型在超长视频中实现了高质量的一致性深度估计，且效率未受影响，实验结果在多个基准上创下新纪录。

本文介绍了一系列深度估计方法，包括新型本地平面指导层、无监督学习和基于像素平面性先验的单目深度估计。这些方法在多个基准测试中表现优异，展示了在复杂场景中的高质量深度恢复能力，推动了自动驾驶和多视图立体测量的发展。

本文介绍了一种半监督深度估计方法，通过结合语义标记和图像变形信号，提高了单目深度估计的精度。该方法在KITTI数据集上超越了现有技术，并在多种挑战条件下表现稳健，适用于场景重建和视频视觉效果。

本研究提出了一种基于自我监督单目深度和自我运动学习原理的外参标定新方法，能够稳健高效地实现自我标定，并展示了外参自校准通过联合优化改进深度估计的优势。

本研究提出了一种基于自我监督单目深度和自我运动学习原理的外参标定新方法，能够稳健高效地实现自我标定，并展示了外参自校准通过联合优化改进深度估计的优势。