本文提出了一种基于自监督学习的单目深度估计框架，通过结合深度和颜色信息来提高深度去噪效果。研究表明，该框架在KITTI基准测试中表现优异，超越了传统方法，显著提升了深度预测的精度和性能。

本文介绍了多种深度学习方法在单目图像深度预测和语义分割中的应用，包括半监督学习、无监督视觉深度学习和自我监督单目深度估计。这些方法通过结合真实数据、几何结构和动态卷积技术，提升了深度预测和场景理解的性能，展现出在机器人导航和自动驾驶等领域的潜力。

本文提出了一种单视角自监督深度估计方法，结合自编码器和几何先验，在没有深度基准数据的情况下实现了与监督学习相似的性能。该方法在KITTI数据集上表现优异，能够提高深度预测精度，适用于高性能GPU和嵌入式设备。

本文提出了一种高效的实时立体匹配框架，能够在低延迟内准确预测深度，适用于自动驾驶等应用。通过结合低分辨率和高分辨率数据，采用新算法提高深度图精度，并在多种挑战条件下实现稳健重建。研究还探讨了神经网络模型和多视图立体深度计算的优先级方法，以提升重建质量和效率。

本文介绍了一种基于无监督学习的多视图深度图像学习方法，强调多视图深度一致性以增强遮挡处理的鲁棒性。研究提出了GC-MVSNet和BlendedMVS等新方法和数据集，旨在提高深度预测的准确性和模型的泛化能力。实验结果表明，这些方法在多个基准数据集上表现优异。

3DVNet是一种新型的多视图立体深度预测方法，使用基于体积的三维卷积神经网络进行操作，能够超越现有技术在深度预测和3D重建度量上。该方法具有很好的效果和通用性。

该研究探讨了在混合数据深度预测训练中使用的位移不变重建损失引起的未知深度偏移和未知相机焦距问题。作者提出了一个两阶段框架，使用三维点云编码器预测深度偏移和焦距，以恢复逼真的3D场景形状。他们还提出了图像级标准化回归损失和基于法向几何损失的方法，以增强混合数据集训练的深度预测模型。该模型在9个不可见数据集上进行了测试，并取得了零样本数据集泛化的最新性能记录。