本研究提出了Jasmine框架，针对单目深度估计中的自监督学习，解决了深度信息模糊和伪影问题。通过混合图像重建任务和Scale-Shift GRU，显著提高了深度估计的清晰度和泛化能力。实验结果表明，Jasmine在KITTI基准测试中表现优异。

该研究提出了AuxDepthNet框架，旨在解决单目3D物体检测中缺乏深度信息的问题，消除对外部深度图的依赖，提升空间推理能力和计算效率，在KITTI数据集上取得了优异表现。

本研究提出了一种基于视差图的多模态面部防伪方法，旨在解决非标定系统中的防伪攻击问题。该方法通过面部特征获取视差信息，显著降低了误差，为缺乏深度信息的系统提供了有效的防伪解决方案。

本研究提出了一种新算法，解决了多视角多人姿态估计的挑战，利用深度信息提升性能，实现了具有良好泛化能力的全身姿态估计，旨在促进相关领域的发展。

本文介绍了一种高效的三维RGBD点云分割算法，结合深度、颜色和时间信息，提升了分割效果并具备增量处理能力。提出的Depth-aware CNN方法和Point-GCC框架增强了几何信息的处理能力，改善了语义分割和图像上色的质量。RecolorCloud工具通过自动重着色解决颜色冲突，InterPCSeg框架实现了高质量的语义标注。

本文介绍了多种基于神经辐射场（NeRF）的方法，如S-NeRF、MVG-NeRF和贝叶斯NeRF，旨在提高三维重建的准确性和不确定性量化。这些方法结合深度信息、法线和贝叶斯学习框架，优化了场景预测和视角合成，展示了在动态环境和稀疏视图设置中的有效性。

本文探讨了结合RGB和深度信息的多模态方案在自动驾驶AI模型中的应用，证明早期融合能提升性能。同时，提出了基于U-Net结构的RAW到sRGB映射和新型神经ISP框架，这些方法在图像重建和去噪任务中表现优越，尤其在不同光照条件下效果显著。

该研究提出了一种统一的深度感知无监督域自适应框架，利用源领域的深度信息来提升目标领域的语义分割性能。文章涵盖了无监督领域适应的最新进展，展示了在自动驾驶等场景中的应用效果。

本文介绍了一种新颖的图像压缩方法，结合非线性分析变换、均匀量化器和非线性合成变换，优化了速率失真性能。高位和极低位量化方法在深度信息利用上表现出色，并在图像检索和识别中优于现有技术。此外，研究展示了基于向量量化的生成模型和创新的PTQ算法，提升了压缩比和训练效率。

本文提出了一种新颖的深度感知注意力融合网络，通过特定编码器提取色彩和深度信息，并引入深度加权交叉注意力融合模块，动态调整特征图融合权重。实验结果表明，该方法在伪装物体检测中显著优于其他方法，验证了深度信息的重要性。

本文介绍了一种新方法，通过文本提示和3D网格生成纹理，结合深度信息和稳定扩散技术。模型在Objaverse数据集上测试，结果显示生成的纹理质量更高且速度更快。研究探讨了影响生成质量的因素，并提出了MetaDreammer和RealmDreamer等新技术，以提升3D生成的效率和可控性。

该论文介绍了多种基于神经辐射场（NeRF）的方法，如Super-NeRF、SSDNeRF和ConsistentNeRF，旨在提升3D重建和新视角合成的质量与一致性。这些方法利用深度信息、超分辨率训练和自监督机制等技术，显著改善了模型在稀疏视图下的重建性能。

本文介绍了一种新方法，通过给定文本提示和3D网格生成3D模型的纹理。该方法考虑了深度信息，利用评分蒸馏采样过程生成纹理。结果表明该方法可以生成更令人满意的结果，并且可以产生不同艺术风格的纹理。同时，该方法在生成质量相当的纹理时速度更快。进行了彻底的消融研究，研究了不同因素对生成质量的影响。

确保交通安全至关重要，需要检测和防止道路表面缺陷。研究发现，基于图像的方法对天气和光照变化敏感。因此，研究者探索了使用激光扫描仪等附加传感器的方法，以提供深度信息，并探索了超出图像的数据的创新。综述回顾了道路表面缺陷检测研究，并评述了最近提出的非图像方法，讨论了相关挑战和待解决的问题。

本文介绍了一种新方法，通过给定文本提示和3D网格生成3D模型的纹理。该方法考虑了深度信息，利用评分蒸馏采样过程生成纹理。在开源数据集上进行了模型测试和用户研究，结果表明该方法能够生成更令人满意的结果，并且在时间上更快。同时，还进行了消融研究，探讨了不同因素对生成质量的影响。

本文介绍了一种新方法，通过给定文本提示和3D网格来生成3D模型的纹理。该方法考虑了深度信息，并利用评分蒸馏采样过程生成纹理。在开源数据集Objaverse上进行了模型运行和用户研究，结果表明该方法可以生成更令人满意的结果，并且可以产生不同艺术风格的纹理。此外，该方法在生成纹理时速度更快。还进行了消融研究，研究了不同因素对生成质量的影响。