本研究提出了一种DenseFormer方法，通过条件扩散模型从稀疏深度图和RGB图像生成密集深度图，显著提高了深度图预测的精度，超越了传统的深度补全方法。

本研究提出CFPNet，解决了轻量级ToF深度传感器在有限视场下深度特征传播不足的问题。通过DAPM和LKPM模块，显著提升了深度补全性能，并在ZJU-L5数据集上验证了其先进性。

本文介绍了一种结合深度学习和经典优化算法的图像引导深度补全方法，改进了深度补全网络结构，提升了性能。研究展示了多种新模型，包括基于残差学习、Transformer和CNN的组合，在多个数据集上取得了优异的深度估计效果，尤其在KITTI基准测试中表现突出。

本论文介绍了VEnvision3D数据集，用于多任务学习，包括深度补全、分割、上采样、场景识别和3D重建。数据集具有对齐的特点，提出了新的基准测试，揭示了未来研究的新观察、挑战和机会。设计了一个简单的多任务网络，展示了VEnvision3D对基础模型的能力。

本文介绍了一种新的深度估计任务——激光雷达深度补全，并提出了一种基于LSTM和Transformer模块的重新设计方法，通过高效融合颜色和深度特征，并在多个尺度上进行循环优化，最后通过Transformer的多头注意力机制进一步融合深度特征。实验证明，该方法无需重复的网络结构和后处理步骤，只需在简单的编码器-解码器网络结构上添加该模块，就能达到最先进的性能。