本文提出一种基于多平面图像（MPI）表示的新方法来合成野外照片的新视角，结合深度估计和颜色填充技术，通过多平面图像表示解决具有复杂 3D 几何的场景，使用大规模立体训练数据并经过实验验证达到最新成果。

May, 2022

本文提出了一种利用在线视频数据来学习视角外推的新方法，通过将输入的立体图像对转化为 “多层图像”，再利用深度学习网络来生成视角外推的图像，实现了将狭窄基线的立体图像进行放大的功能。

May, 2018

提出了 SinMPI 方法，通过扩展的多平面图像作为 3D 场景表示，使用稳定扩散生成超出视野内容并优化多平面图像，从而显著扩展了透视范围，生成高质量的新视图图像。

Dec, 2023

利用多平面图像 (MPI)，采用基于梯度下降的学习方法，使用来自一组稀疏摄像机视角的图像，实现视点合成，并具有遮挡理解功能，在具有高深度复杂性的场景中，改进了物体边界、光反射和薄结构等具有挑战性的场景特点，并且在我们提供的 Kalantari 光场数据集和全新的 Spaces 相机阵列数据集上均获得了高质量的最新成果。

Jun, 2019

通过生成适应性深度平面的分区式多平面图像（TMPI），提供了一种有效的方法来合成单视图的三维摄影图像，并具有较低的计算开销。

Sep, 2023

基于改进的多平面图像（MPI），本文介绍了一种适应场景的分层多平面图像表示，用于从单幅图像合成新视角，观察到对于无界户外场景，深度分布变化显著，因此采用自适应分组策略来排列平面，进一步引入了分层细化分支，以呈现精细的几何和多尺度细节，该方法在 KITTI 数据集上合成大规模无界户外场景并具有显著的性能提升，在未见过的 Tanks and Temples 数据集上具有较好的泛化性能，代码和模型将公开。

Sep, 2023

本文提出了一种名为 Extreme View Synthesis 的新方法，解决了新视角外推中存在数量有限的输入图像时的问题，并通过深度概率体积、基于深度的配准和图像先验等方法，成功地在镜头基线放大至 30 倍的情况下实现了视觉效果优化。

Dec, 2018

本文介绍了一种新的语义视图综合问题，通过使用语义标签图作为输入生成合成场景的自由视角渲染，在现有图像 / 视图综合方法的基础上，提出了一个两步方法，第一步合成可见表面的颜色和深度，第二步将它们用于在多平面图像 (MPI) 中减轻部分影像的影响，该方法在室内外场景中得到了良好的效果。

Aug, 2020

该论文利用深度学习技术对单张图片进行多平面图像生成，应用于视图合成问题中，并将 scale-invariant 视图合成应用于监督训练，在在线视频上进行训练。该方法适用于多个数据集，可以生成合理的深度图，并且可以学习填充前景物体背后的内容。

Apr, 2020

本文提出了一种新的基于时间的多平面图像（Temporal-MPI）动态场景表示方法，它能够以紧凑的时间基和系数来编码整个视频的丰富 3D 和动态变化信息，并通过 Temporal-MPI 实时高质量地生成任意时刻的新视角。我们的方法在 Nvidia 动态场景数据集上进行训练和评估，证明了其比其他最先进的动态场景建模方法更快速更紧凑。

Nov, 2021