单视角深度估计任务是计算机视觉领域中极具挑战性的问题之一,其目标是给定单张彩色图像,预测图像上每个像素点的深度值。由于三维空间到图像平面的透视投影,该任务存在天然的歧义性,是一个非适定问题。近年来,随着深度学习技术的发展,单视角深度估计的算法性能得到大幅提升,但仍然面临三个困难:（1）通过深度卷积神经网络预测的深度图缺乏对场景精细结构的描述;（2）深度标注数据获取难度大;（3）单视角深度估计网络的泛化性能差。在复杂场景中,结构反映了场景布局、物体形状以及场景中各个物体之间的关系等信息,对场景理解和三维重建等任务至关重要。结构信息对于单视角深度估计任务能够提供强有力的先验指导,改善单视角深度估计的性能。此外,结构信息对于单视角深度估计而言是更本质的空间信息,可以在不同的数据域之间共享,其普适性可以指导单视角深度估计网络实现更强的泛化能力。因此本文主要研究结构指导的单视角深度估计算法,以解决上述单视角深度估计任务中的三点挑战。本文的主要工作和贡献包括以下三个方面:·基于全监督结构化学习的单视角深度估计。精确恢复复杂场景中的多尺度几何结构是非常具有挑战的。在全监督学习的设定下,本文对深度估计网络中的深度解码端采用逐级残差预测,并对深度卷积神经网络进行结构化设计,提出了基于拉普拉斯金字塔结构化深度估计网络,由粗到细地恢复场景中各尺度的几何信息。为了减少信息损失,提出了自适应稠密特征融合模块,以此来恢复场景整体结构和精细物体边界。在公开的RGB-D数据集NYUD V2和KITTI上都取得了最优的平均度量精度,并且在视觉效果上,预测的深度图较好地保持了场景的精细结构和物体细节。·基于可泛化结构表征学习的单视角深度估计。为了缓解深度标注获取难、代价高的问题,可以利用合成数据替代真实数据来训练单视角深度估计网络。针对同一场景合成数据和真实数据的域偏移问题,本文研究如何利用结构信息来减少域偏移,从而提升单视角深度估计网络的泛化能力。结构信息可以在同一场景的合成数据和真实数据之间共享,通用性强。因此本文提出基于图像解耦的方法提取场景结构信息,并利用基于深度特定结构的可泛化表征学习来改善深度估计的泛化能力,该结构化表征也揭示了单视角深度估计最本质的特征。实验验证了在未使用任何真实数据的情况下,在包括NYUD V2、KITTI和Cityscapes等多个真实场景数据集上都超过了使用真实数据训练的域自适应方法,有效验证了学习到的结构化表征具有极强的泛化能力。·场景自适应的单视角深度估计。由于合成数据和真实数据场景不同时,两者的域偏移问题不仅来源于风格差异,同时也来源于场景结构差异,之前的方法难以将在合成数据上训练的网络泛化到多个场景的真实数据。为突破这一限制,本文考虑一种场景自适应的合成数据到真实数据的泛化方法。本文利用混合场景的合成数据进行训练,但域内场景结构间的巨大差异会导致网络训练难以收敛到全局最优点。为此本文提出学习场景自适应的结构表征,不但可以缓解域间的风格差异引起的域偏移问题,而且可以缓解域内场景结构之间的差异导致网络训练难以收敛到全局最优的问题。通过直接泛化在不同场景的真实数据集上的定量和定性实验比较,验证了所提方法的有效性和不同场景下的泛化能力。