基于单目图像或者视频序列的深度估计算法,无需昂贵的深度传感器设备就可以得到场景的深度信息,受到了学术界和工业界日益增长的关注。高精度的深度估计在很多工业场景中具有很强的应用价值,包括机器人感知、导航、规划以及无人驾驶和虚拟现实娱乐领域。现有的基于监督学习的单目深度估计方法,通常利用单一视角的图像数据作为输入,直接预测图像中每个像素对应的深度值,需要大量的深度标注数据作为监督信号,而这类数据通常需要较高的采集成本。因此不适用深度标签的方法是近年的研究趋势,这些方法又称为基于深度学习的无监督估计方法,其基本思路是利用左右视图,结合对极几何与自动编码机的思想求解深度,从而只需要无标注的图像序列数据即可展开训练,并达到十分良好的效果。尽管无监督深度估计算法可以降低对标注数据的依赖,其性能却依然受到场景中动态物体、场景遮挡和稀疏纹理的影响。本文从对帧间动态物体的建模入手,提出一个创新的无监督单目视频深度估计流程,该算法基于领域内通用的无监督训练流程,融合视觉追踪领域内的无监督响应追踪滤波器,以及计算机视觉中的联合上下文注意力机制,来对帧间动态物体进行建模。实验表明,本文的方法在领域内的标准数据集上在多个指标上接近或超越了当前最佳的性能表现,消融实验结果和可视化分析均证明了本文提出的两个模块的有效性。为了证明本文提出的算法的应用价值,本文将提出的单目深度估计算法与三维重建算法进行结合,提出了基于单目视频序列的三维重建系统,为了整套系统的高效运行,本文设计了抽象数据传输层来应对各种可能的网络环境。此外,由于重建出的场景数据规模较大,为了提升渲染性能,本文设计了多层分块内存架构来提升渲染管线中的数据传输速度,实验结果表明整套系统在较大规模的重建场景下可以在60fps的帧率上流畅运行,并且实验结果表明,本文提出的多层分块渲染架构可以显著提升渲染效果,本文还提供了在真实场景下整套系统在头戴式虚拟显示设备中的运行效果,以此表明本文提出的无监督深度估计算法的落地价值。