无监督学习方法

现在的端到端单目/双目深度估计网络一般在大型合成数据集（比如SceneFlow，Cityscapes）上进行预训练，然后通过少量的真实数据集（比如KITTI，Middlebury）微调使其适应不同的环境。然而现有网络依然难以适应于未见过的真实环境，而且获取足够的真实视差图和对应的立体图像对难度巨大，因此研究人员研究基于无监督学习的深度估计网络。

下面列举出近年来的几篇关于无监督学习的深度估计网络的论文。

论文链接：

1. 《Unsupervised Monocular Depth Estimation with Left-Right Consistency》
2. 《Unsupervised Adaptation for Deep Stereo》
3. 《ActiveStereoNet: End-to-End Self-Supervised Learning for Active Stereo Systems》
4. 《PVStereo: Pyramid Voting Module for End-to-End Self-Supervised Stereo Matching》