Depth Map Prediction from a Single Image using a Multi-Scale Deep Network (2014 NIPS)

主要思想：使用神经网络对深度进行学习。一个粗尺度网络首先在全局上对场景深度进行预测。然后通过使用细尺度网络进行局部区域的优化。

缺点：早期直接用深度网络估计深度，只有卷积层，池化层，和全连接层最后得到的深度图分辨率太小

 

      Coarse 网络是一个经典的AlexNet(NIPS 2012)结构，任务是使用场景的全局视角来预测整体深度图结构。网络的上几层是全连接层，因此可以包括整张图片的信息。同样的，底层和中间几层被设计通过最大池化操作降到一个小的空间维度，来连接图像不同部分。这样做了之后，这个网络能够整合整个场景全局的理解来预测深度。这样的针对全图的理解在单张图片中是需要的，因为这样可以有效地利用诸如消失点、物体位置、空间对齐等线索。局部线索（通常立体匹配）很难注意到这些重要的特征。

   在Fine网络中，作者先采用大步长的卷积核将图片的大小变小之后，并没有再去降低特征的大小，而是采用了步长为１，大小为５的卷积核去进行特征提取并结合之前Coarse网络的结果得到最终预测的结果．这个网络只有卷积层和在第一层的边缘特征中有一个池化步骤。 在训练的时候，此网络先训练Coarse网络然后再固定C