从图像中推断三维场景是计算机视觉的核心问题之一,而估计场景的深度信息是解析场景三维几何关系的重要方法。传统方法主要是基于光学几何约束或一些环境假设,比如光照变化、纹理特征和运动中恢复结构等,这些基于一定先验信息的方法日趋成熟。由于深度学习能够提供相对准确的先验信息,所以使用深度学习从图像中预测深度信息也成为计算机视觉领域的研究热点之一。该课题的关键在于如何使用深度学习的方法,从单幅或者多幅图像中获取不同深度的特征表示,并能通过一定的手段展示出来。本文的思路受三维重建方法的启发,以三维重建的方式重建场景深度,使用立体匹配的思想构建深度学习的训练流程,借鉴已有研究经验设计损失函数。具体来说,提出了一种采用深度卷积神经网络进行单图像深度估计的模型,实现了端到端的单幅图像深度估计。该模型通过在编解码结构中引入残差结构、密集连接结构和跳跃连接等方式提升了深度卷积网络在深度估计任务上的性能,改善了网络的学习效率和性能,加快了网络的收敛速度。其次,本文通过结合灰度相似性、视差平滑和左右视差匹配等损失度量设计了一种更有效的损失函数,有效降低了图像光照因素影响,遏制了图像深度的不连续性并能保证左右视差的一致性,从而提高深度估计的鲁棒性。再者,本文为该模型设计了一种独特的训练流程,采用了自监督的监督策略,使用立体图像对作为训练数据,同时也作为训练的监督信号,无需大量带有标签的真实深度数据,节约了训练成本,提升了训练质量。最后,本文通过在网络结构,监督策略,损失函数上的大量对比实验优化模型的各个结构,进一步完善了该单目图像深度估计的框架。总的来说,本文提出了一套行之有效的单目深度估计方法,包括了模型架构,训练方式以及测试流程,完成了从二维图像中估计场景深度的任务,对单目图像深度估计中存在的问题和未来的发展趋势做出了分析与讨论。该方法在KITTI、Cityscapes以及Eigen数据集上都进行了测试,验证了本文提出的深度估计方法的有效性和优越性。