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。

本文介绍了一种基于神经辐射场（NeRF）的方法，通过自监督深度估计和几何约束提升3D场景合成效果。研究表明，合成数据显著提高了机器人重定位精度，新方法在街景合成和动态场景重建中表现优越，减少了误差并增强了鲁棒性。NeRF在工业应用、视频压缩和三维运动估计方面展现出良好潜力。

该文章介绍了一种基于能量估计的跨域语义分割的自适应模型（SMART），利用自监督深度估计获得任务自适应特征，并通过能量评估方法提高深度引导的有效性。实验结果显示该方法显著提升了性能。