本研究提出了一种新的基于 CNN 的光场显著性检测框架，提出了三个新颖的 MAC（模型角度改变）块来处理光场微透镜图像，同时还建立了一个大规模的数据集和标准，可以用来训练更深的神经网络和进行评测，实验证明，我们的方法在该数据集上明显优于现有的最先进方法，并在其他数据集上具有理想的泛化能力。

Jun, 2019

本论文提出了一种机器学习算法，输入一个 2D RGB 图像并合成一个 4D RGBD 光场，用于场景的颜色和深度方向的射线，同时介绍了最大的公共光场数据集，以及应用的卷积神经网络。

Aug, 2017

本文提出了一种深度学习方法，用于复杂场景的新视角合成，通过将 3D 场景表示为光场，并采用两平面参数化的光场，用 4D 参数特征化光线，构建 4D 函数实现映射，最后采用全连接网络优化该函数并合成新视角，同时附加了 per-ray depth 预测，提高了光场渲染质量，实验表明本方法优于现有技术。

May, 2021

本研究提出了使用新的、由自编码器和四维卷积神经网络组成的两个分支网络结构，深度学习途径来从单个编码的二维图像中恢复高分辨率的四维光场，以实现光场成像的实时视频采集系统的潜力。

Feb, 2018

通过使用 Unity 和 C# 框架开发新方法，生成大规模、可伸缩和可再现的光场数据集，以加速光场深度学习研究。

Dec, 2022

本文介绍了一种基于卷积神经网络（CNN）的新型纹理描述符 D-CNN，并在嘈杂的环境下完成了纹理和材料识别，并实现了 81.1% 至 82.3% 的识别准确率，显著提高了现有方法的性能。

Nov, 2014

该论文提出了一种深度学习方法，可以从不确定数量的拍摄的无序图片中估计材料外观，无需校准，并通过提取每张图片中的最有用的信息并从数据中学到的先验知识，处理视角和光线方向的变化，从而实现对材料的捕捉，并在单张至多张图片的输入条件下，实现与现有单张和复杂多张方法之间的完美平衡。

Jun, 2019

本文介绍了一个新的、大规模、开放的野外材料数据库（Materials in Context Database，MINC），并结合深度学习，在野外图像中实现材料识别和分割。使用 MINC，我们训练了卷积神经网络（CNN）进行两个任务：对补丁分类的材料分类和在完整图像中同时进行材料识别和分割。通过在 MINC 上进行补丁分类，我们发现表现最好的 CNN 架构可以实现 85.2% 的平均分类准确度。我们将这些训练好的 CNN 分类器转换为高效的完全卷积框架，再结合完全连接的条件随机场（CRF）来预测图像中每个像素的材料，达到 73.1% 的平均分类准确度。我们的实验表明，在野外材料识别和分割中，拥有一个大型的、经过充分采样的数据集（如 MINC）至关重要。

Dec, 2014

通过拍摄来自不同视角的 3D 点的表征，利用投影卷积神经网络架构来学习物质感知描述符，从而实现物质感知的 3D 形状分析，并且通过众包的方式构建了一个 3D 形状数据集，证明了其学习描述符在自动纹理、物质感知检索和物理模拟中的有效性。

Oct, 2018

本文提出了一种通过计算 CNNs 提取的特征的不确定性来选择和集成该图像中最佳表示的功能，从而实现基于不同物体材料的图像数据集的材料识别，实验结果表明该方法在材料识别方面表现出最先进的性能，并通过 EFMD 数据集的传递学习更新 CNN 模型，实现了接近人类表现的结果。

Nov, 2015