引言深度估计是场景感知中重要的一环， 测量与物体间的距离是所有生物赖以生存的技能． 在计算机视觉领域中， 深度估计也扮演着类似的角色， 是许多高层任务的基石， 其结果可广泛应用于三维立体重建［１］、障碍物检测［２］、视觉导航［３］ 等方向． 近年来， 深度估计方法作为底层视觉任务受到了广泛关注和深人研究． 传统方法使用激光雷达获取深度信息， 但是由于获得稠密而准确的深度图的成本过高， 无法得到广泛应用． 相比之下， 基于图像的深度估计方法根据输人的Ｒ Ｇ Ｂ 图像直接估计场景深度信息， 无须价格高昂的设备， 应用空间更为广阔． 基于图像的深度估计方法根据要求输人图片的多少可分为多目深度估计与单目深度估计． 其中， 多目深度估计方法根据观测得到的多张图像， 估计出深度信息， 比较经典的有： 从运动中恢复（ Ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ  ｆ ｒ ｏ ｍＭ ｏ ｔ ｉ ｏ ｎ ，  Ｓ Ｆ Ｍ ） 、使用单目摄像机捕获的图像序列估计深度［ ４ ］、多视图重建（ Ｍ ｕ ｌ ｔ ｉ ｖ ｉ ｅ ｗ Ｓ ｙ ｓ ｔ ｅ ｍ ， Ｍ Ｖ Ｓ ）［５ ６］、三角测量法（ Ｔ ｒ ｉ ａ ｎ ｇ ｕ ｌ ａ ｔ ｉ ｏ ｎ ）［ ７ ８ ］ 等． 这些方法大多需要成对图像或图像序列作为输人、要求相机信息已知， 对输人有较强的限制且预测结果受特征选择和匹配的影响较大． 相比之下， 仅通过单张图像估计深度的单目深度估计方法更为灵活． 但由于缺乏深度线索， 它是一个不适定性问题（ Ｉ ｌ ｌ ｐｏ ｓ ｅ ｄ Ｐ ｒ ｏ ｂ ｌ ｅ ｍ ）？， 早期的方法从不同角度提取深度线索进行深度估计， 常见的手段有： 从阴影中恢复（ Ｓ ｈ ａ ｐ ｅ  ｆ ｒ ｏ ｍＳ ｈ ａ ｄ ｍ ｇ ）［１ °］、从对焦或离焦中获取深度（ Ｄ ｅ ｐ ｔ ｈｆ ｒ ｏ ｍＦ ｏ ｃ ｕ ｓｏ ｒＤ ｅ ｐ ｔ ｈ  ｆ ｒ ｏ ｍＤ ｅ ｆ ｏ ｃ ｕ ｓ ）［１ １ １ ２］ 等． 表 １ 总结了早期的深度估计方法．随着深度学习的迅速发展， 深度神经网络在图像分类［ １ ３ ］、自然语言处理［ １ ３ ］、语音识别［ １ ４ ］、医疗影像处理［１ ５］ 等方向展现了极佳的性能． 鉴于深度神经网络强大的特征提取能力， 学者们将深度学习技术引人深度估计领域， 希望借助神经网络充分提取图像的深度特征并给出更准确的深度估计结果． 近年来， 基于深度学习的单目深度估计方法发展迅速， 根据训练方式的不同可以划分为有监督方法、无监督方法和半监督方法．１ ２ ７ ８计導机攀报：＃§＿ 竿表１ 早期方法总结方法 类型 主要思想双目视觉法（ Ｂ ｉ ｎ ｏ ｃ ｕ ｌ ａ ｒ  Ｓ ｔ ｅ ｒ ｅ ｏ  Ｖｉ ｓ ｉ ｏ ｎ ， Ｂ Ｓ Ｖ）多目模拟人类利用双眼感知图像视差而获取深度信息， 依赖于图片像素匹配，可以使用模板比对或者对极几何法等匹配方法立体视觉法（ Ｍ ｕ ｌ ｔ ｉ ｐ ｌ ｅ Ｖｉ ｅ ｗ Ｓ ｔ ｅ ｒ ｅ ｏ ， Ｍ ＶＳ ）多目由双目视觉法发展而来， 将多个相机设置于视点，或用单目相机在多个不同的视点拍摄图像， 增加了算法的稳健性从运动中恢复形状（ Ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ  ｆ ｒ ｏ ｍＭｏ ｔ ｉ ｏ ｎ ， Ｓ Ｆ Ｍ）多目 ＿ 用二梟捭嫌序对间綠特■关１ ， 估砝德铒：的＇运澈拳翁与场屬身三角测量法（ Ｔｒ ｉ ａ ｎ ｇ ｕ ｌ ａ ｔ ｉ ｏ ｎ ）多目 借由测量目标点与固定基准线的已知端点的角度， 测量目标距离从阴影中恢复形状（ Ｓ ｈ ａ ｐ ｅ  ｆ ｒ ｏ ｍ Ｓ ｈ ａ ｄ ｉ ｎ ｇ ， Ｓ ＦＳ ）单目 利用图像中物体表面的明暗变化来恢复表面形状纹理恢复形状法（ Ｓ ｈ ａ ｐ ｅ  ｆ ｒ ｏ ｍＴｅ ｘ ｔ ｕ ｒ ｅ ， Ｓ ＦＴ）单目 通过纹理在经过透视等变形后在图像上的变化来逆向计算深度数据从对焦中获取深度（ Ｄｅ ｐ ｔ ｈ  ｆ ｒ ｏ ｍ Ｆ ｏ ｃ ｕ ｓ ｉ ｎ ｇ ， ＤＦ Ｆ ）单目 利用图像中像素的聚焦信息结合摄像机的参数计算图像深度从离焦中获取深度（ Ｄｅ ｐ ｔ ｈ  ｆ ｒ ｏ ｍ Ｄｅ ｆ ｏ ｃ ｕ ｓ ｉ ｎ ｇ ， ＤＦＤ）单目 利用图像中像素的离焦信息结合摄像机的参数计算图像深度本文对茵内外近五年来基于深度＃ 习的单目深麗估骨友法迸行筆述， 如Ｗ１ ， 丰文＿ 雜如下； 擊２节首先介绍探度估计问题的定义、常用数据集、模型评价指标和相关应用＊ 第３ 、４ 、５ 节详细分析近年来基于深度学习的深度估计方法． 将有监－鲁改进方法分为改进网络结构的方法、引人辅助信息的方法、改进损失涵数的方法、基于分类的方法、使用条件随机场的方法、使用生成式对抗网络的方法和基于部分深度：鲁息的方法七种； 将无监督方法分为使用＿ 像对训练的方法、使ａ 视频训练的方法两类， 将改进方法分方基于可解释性掩膜的方法、基子宣接视觉测距的方法．、引人辅助偉息的方法、使用生成式对抗：Ｍ 络的方法和酉向时与：＿覺＿； 翁方法五种： 将半监■督方法分为使甩Ｍ 像对训练的方法、使用视频训练的方法两ａ ， 将改进方法分为彳吏ｊｓ 生成式对抗网絡的方法、引人辅助倩息的方法两种＊ 第６节讨论了该领域存在的难题， 总结了未来可能的发機＃向？２ ． １ 问？ｇ义２ ． ２ 麵集２ ． ３ 滞指标２ ． ４ 咖４ ． １ 使用图像对训练的方法４ ． ２ 使用视频训练的方法４ ． ３ 基于可解释掩膜的方法４ ． ４ 基于视觉里程计的方法４ ． ５ 引入辅助信息的方法４ ． ６ 使用生成式对抗网络的方法４ ． ７ 面向实时与轻量级的方法４ ． ８ 无监督施小结（ １ ） 模型优化、超雛估计（ ２ ） 多任务齡框架（ ３ ） 在线学习（ ５ ） 基于部分真獅度值（ ６ ） 轻難模型（ ７ ） 违背假设像素的处理（ ８ ） 高分辨率深度图的输出（ ９ ） 模型的可解释性２ 概述３ 有监督学习方法｛６ 总结与展望引言： 基础框架３ ． １ 改进网络结构的方法３ ． ２ 引入辅助信息的方法３ ． ３ 改进损失函数的方法３ ． ４ 基于分类的方法３ ． ５ 使用条件随机场的方法３ ． ６ 使用生成式对抗网络的方法３ ． ７ 基于部分深度信息的方法３ ． ８ 有监督方法小结５ ． １ 使用图像对训练的方法５ ． ２ 使用视频训练的方法５ ． ３ 使用生成式对抗网络的方法５ ． ４ 引入语义信息的方法５ ． ５ 半监督方法小结基础训练方法改进方法分类发展的趋势面临的挑战图；１ 鸾＾翁本篇综＇述旨在归納总结基于探度学习的单目深虞估＇计方法， 启发读者在现有研麵塞础上做出进一步的矣破？ 相边于Ｂ ｉ 等人［１ ６］ 的综述主荽对参数学召、非参数学习和部分有监督探度估卄方法进行介绍， 我们的ｍ述主要关註于探度学■习方法， 除有监督方法外， 坯对无监督、半监普方法进行了诤细的总结？Ｒｈ ｍ ［１ ７］ 只总结了五个最有影响力的基ｆ探度＃＇ 习的率目深度估计方法， 而我们更全面地对吏多的方法进行了阐述， 指出了每种方法的产生思路和铮春此外，他们介绍的方法比较老旧ｊ 缺乏目讀最新的算法介绍． 与琮述ｔｌ ｓ ２ ８１相比， 我们使用ＴＭ 细粒度． 、更准确的分类方法？ 更有助予读者了解探度估计方法的整体框架？ 最？ ， 我们还进一步讨论了单窗探：度估计领域存在的技术难题和发，提趋勢＊ 希望进一步给读者磨，＆６ 期 江俊君等： 基于深度学习的单目深度估计方法综述 １ ２ ７ ９２ 概述２ ． １ 问题定义基于监督学习的单目深度估计任务可以描述为： 利用一个包含大量二维Ｒ Ｇ Ｂ 图像和深度图像对的数据集训练一个模型， 该模型可以接受输人的Ｒ Ｇ Ｂ 图像， 输出其对应的深度图． 其中， 深度图中每个像素的值表示输人Ｒ Ｇ Ｂ 图像在对应位置处的深度． 此过程可以抽象为： 设Ｊ 为输人的二维Ｒ Ｇ Ｂ图像， Ｄ 为输出的灰度图． 给定一个训练集Ｔ＝ａ ， Ａ ）： ＾ｅ ｊ， ａｅｄ ， 使用该训练集训练模型，使其学习到一个映射ｐ Ｊ — Ｄ ， 将输人Ｒ Ｇ Ｂ 图像映射成预测的深度图．有监督方法需要大量输人图像与深度图数据对来驱动模型的训练， 但是由于真实的深度图获取困难， 此类方法的成本高昂． 自然地， 无监督方法因为在训练时不需要真实深度图， 成为了此领域的研究热点． 但是因为此类方法缺乏强有力的监督信号， 模型精度难以超越有监督方法． 半监督方法介于两者之间． 但是由于如今有监督和无监督方法仍有较大的发展空间， 相比之下， 半监督相关的研究内容较少． 我们仍然对其进行分析与分类， 以保证文章的完整性．２ ． ２ 数据集在深度估计问题中， 由于室内外深度范围差异较大， 可根据不同的场景构建不同的数据集． 在对模型进行训练时， 需依据问题的特性选择不同特点的数据集， 表２ 总结了常见数据集的基本信息．表２ 常见数据集汇总名称 是否带有深度标签 图片分辨率 可用图片数量 适用场景 采集工具