本研究提出了一种迁移学习框架，通过合成数据训练并适应领域知识，解决了支气管镜图像中缺乏标记数据的问题，从而提高了真实影像的深度估计准确性。

本研究提出了一种基于深度学习的实时视觉导航支气管镜框架，利用支气管镜视频数据提高气道定位准确性，解决内窥镜手术中的定位问题，具有重要的应用价值。

该文综述内窥镜单目深度估计与视觉里程计进展，涵盖无监督学习、几何一致性损失、双目姿态估计及BEVDepth三维检测等方法，重点介绍Endo-4DGS利用4D高斯飞溅与伪深度图实现实时动态手术场景重建，无需真实深度数据，并验证其高效性与准确性。

本文综述了支气管镜导航与肺气道分割的深度学习方法，包括CNN气道分类、HMM定位、NaviAirway分割、ConTrack设备跟踪、跨域特征交互网络及分支级U-Net，用于无需CT的导航、肺部疾病诊断和手术跟踪。