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。

本文介绍了一种实时生成精准视差图的方法，能够根据计算资源自动调整，适用于资源受限设备。提出了多种深度估计算法，包括基于深度卷积神经网络的全向立体算法和多任务视觉感知网络，均在深度估计精度上优于传统方法。此外，研究了360度摄像机的深度估计和鲁棒性评估，提出了MSI-NeRF方法用于虚拟现实中的全景深度估计。

本研究提出了多种基于卷积神经网络的深度估计方法，并在KITTI和Middlebury数据集上验证了其优越性能。通过残差学习和图像变形误差等技术，提高了视差图生成的精度和速度。同时，研究探讨了自监督学习与监督学习结合的UniTT-Stereo方法，改善了模型在数据有限情况下的训练效果。

DeepMVS是一种深度卷积神经网络，专用于多视图立体重建，能够处理任意数量的图像以预测高质量的视差图。该研究提出了多种深度学习算法，显著提升了多视角立体成像的效率和精度，展现了在深度估计和3D重建中的优越性能。

本文提出了一种基于学习的方法来优化立体方法的视差图，通过迭代生成近端梯度方法的变分能量，学习鲁棒的协作正则化器，提供优化和去噪视差图的有趣见解。该方法在立体基准测试中证明了其效率。

StereoNet是一种深度学习架构，能够在NVidia Titan X上以60fps运行，产生高质量、边缘保留且无量化的视差图。该网络具有超像素匹配精度的关键洞见，比传统立体匹配方法高一个数量级，通过使用低分辨率代价体编码所需的所有信息，从而实现实时性。该方法在多个基准测试中取得了显着的结果，提供了极大的灵活性。

StereoNet是一种深度学习架构，能够在NVidia Titan X上以60fps运行，产生高质量、边缘保留且无量化的视差图。该网络具有超像素匹配精度的关键洞见，比传统立体匹配方法高一个数量级，通过使用低分辨率代价体编码所需的所有信息，从而实现实时性。该方法在多个基准测试中取得了显着的结果，提供了极大的灵活性。