本文介绍了一种用于恢复整个光场并实现在所有子孔径图像上的一致性的学习空间光场超分辨率方法，其中算法先使用光流来对齐光场，然后使用低秩近似来减少其角度尺寸，最后通过 DCNN 来恢复超分辨率嵌入。实验结果表明，该方法优于现有的光场超分辨率算法，平均峰值信噪比相对于第二个最佳性能的方法提高了 0.23 dB; 并且还可以使用迭代反投影作为后处理步骤来进一步提高性能。

Jan, 2018

本文介绍了一种用于提升光场相机在深度估计方面性能的深度解耦机制，并通过设计改进的特征提取器和网络结构来实现最先进的性能。此外，还设计了一种块遍历角度超分辨率策略，可在输入视图较高的内存使用情况下减少内存使用量，并具有更好的重建性能。

Nov, 2023

该研究论文考虑了一种压缩多光谱光场相机模型，利用一种一位编码光谱掩膜和微透镜阵列，使用单色传感器捕捉空间、角度和光谱信息。我们提出了一种模型，采用压缩感知技术从欠采样测量中重建完整的多光谱光场。与先前的工作不同，其中光场被向量化为一维信号，我们的方法采用了一个五维基底和一种新颖的五维测量模型，因此与多光谱光场的内在维度相匹配。我们在数学和实证方面展示了五维和一维感知模型的等价性，最重要的是五维框架实现了数量级更快的重建速度，同时需要较小的存储空间。此外，我们的新型多维感知模型为设计高效的视觉数据采集算法和硬件开辟了新的研究方向。

Feb, 2024

我们提出了一种方法，可以从单个观测图像中重建目标场景的连续光场。我们的方法综合了两个方面的优点：联合孔径曝光编码用于压缩光场获取以及神经辐射场（NeRF）用于视图合成，从而实现高质量的连续光场重建。

Nov, 2023

利用基于张量恢复的学习框架进行高维光场重建和超分辨率，并通过多范围训练策略，提出一种新的归一化操作和阶段性损失函数来改善性能。在多个光场数据集中，该方法实现了优越的性能和更少的执行时间。

Oct, 2019

本文提出了一种基于学习的编码孔径重构高质量光场，在深度学习框架中巧妙地将测量观察融入，避免了完全依赖数据驱动先验进行光场重建。实验结果表明，相对于目前最先进的方法，本方法不仅在真实和合成数据集上具有更高的 PSNR/SSIM 值，而且更好地保留了 LF 视差结构。此外，实验表明本方法对噪声具有很好的鲁棒性。

Jul, 2020

本文介绍了一种用于轻场摄像机数据处理的卷积神经网络，利用分离机制处理空间和角度信息间的交织以实现空间分辨率的提升，角度超分辨率和视差估计。实验结果表明，该方法在所有三个任务实现了最好的表现。

Feb, 2022

本文提出了一种基于卷积神经网络的框架，用于从稀疏视图中重建光场；该框架将重建视为在极线平面图像上的角度恢复；通过一种 “模糊 - 恢复 - 去模糊” 的新框架，可以有效压制重叠效应，并展示应用领域，包括深度增强和插值。

Mar, 2021

本文提出一种基于学习的轻场景图像空间超分辨率框架，在每个轻场景图像视角学习探索不同的信息，并通过正则化网络结构来确保场景的正确视差关系，实验结果表明该方法不仅提高了平均峰值信噪比超过 1.0 dB，而且以更低的计算成本保持了更准确的视差细节。

Apr, 2020

本文提出了一种基于深度神经网络的光场压缩方法，采用描述性卷积核和调节卷积核相结合的策略使压缩后的数据更精简，同时保持较高的质量，并同时达到了视角的重建和合成。

Jul, 2023