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

本文提出了一种新的基于机器学习的方法用于从稀疏的视角图像中合成新的视角图像，该方法使用了两个 CNN 来分别对视差和颜色进行估计，并通过最小化合成图像与标准图像之间的误差来同时训练两个网络。实验结果表明该方法能够合成出高质量的图像并优于现有的技术，该方法可以潜在地降低消费者光场相机所需的角度分辨率，从而提高空间分辨率。

Sep, 2016

本文探讨了一种基于神经光场表示的少样本新视角合成策略，其使用了隐式神经网络将光线映射到目标像素的颜色，且通过由由粗略体积渲染产生的本地光线特征来确定网络的条件。该方法使用 3D ConvNet 构建的输入图像的 3D 特征体积，实现了比现有的神经辐射场方法更加快速且在合成和真实的 MVS 数据上取得了竞争性的性能。

Jul, 2022

介绍了一个新的光场数据集，并利用深度学习在 4D 光场上进行材料识别。实验中，最佳表现的 CNN 架构相比 2D 图像分类提高了 7％（从 70％到 77％），这些结果构成了对 CNN 应用于光场应用的重要基线。

Aug, 2016

基于 NeRFs 的成功，近年来在新颖视角合成领域取得了显著进展。然而，虽然视图合成模型在视觉上看起来很真实，但其底层的 3D 模型通常是错误的，这限制了它们在实际应用中的有效性。本技术报告介绍了视图合成模型和 3D 重建模型之间的关键区别，并指出了使用深度传感器进行准确几何建模的重要性。通过扩展 Plenoxel 辐射场模型，我们对基于 RGB-D 数据的辐射场密集建图和跟踪任务提出了一种分析微分方法，实现了优于竞争神经网络方法的最新成果，并具有更快的速度。

Jul, 2023

提出了一种新的 3D 视频合成方法，使用神经辐射场表示动态实景，并使用一种紧凑的表现方式，能够高质量地合成视图和插值运动，其动态场景建模方法在视角合成和动态场景表示方面都表现良好。

Mar, 2021

本文介绍了一种基于神经辐射场（NeRF）的方法，用于从单个 360 度 RGB-D 图像合成新景象，并利用 2D 图像生成模型，最大权重独立集问题和模拟退火等算法，以优化生成的图像。

Mar, 2022

通过使用 Diffusion4D 生成真实的 RGBD 样本，本文提出了一个新的训练流程，在室内 NYU Depth v2 数据集和室外 KITTI 数据集上，通过生成样本丰富的有监督训练流程，相对于合成数据和原始数据，在单目深度估计任务中取得了 (8.2％，11.9％) 和 (8.1％，6.1％) 的 RMSE 降低。

Mar, 2024

本文提出了一种基于四维光场表示的双阶段变压器模型，旨在弥合几何重建和经典光场渲染之间的差距，通过强制约束几何约束，使得场景几何隐含在稀疏的视角学习中，并在多个前向和 360 度数据集上超越了最先进技术，尤其是在视角变化剧烈的情况下。

Dec, 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