使用深度学习算法和手机拍摄的 RGB-D 数据集改进图像升采样、边界预测和景深控制，从而实现了单张图像高分辨率景深浅化处理。与双镜头深度相机 iPhone 模式相比，该方法在景深控制和光圈大小选择方面更加灵活，且生成的图像质量较好。

Oct, 2018

本文提出了一个基于双目图像深度估计和重聚的物理学启示管道，以在移动相机中从全聚焦双目图像中模仿 DSLR 相机的浅景深效果，从而实现在 76 FPS 的实时应用。相对于其他方法，我们的管道同时是可完全区分的、受物理启发的、不受场景内容的影响，还可以在静态图像场景中实现计算机视频焦点跟踪，我们还使用 SceneFlow、KITTI、CityScapes 等公共数据集对我们的方法进行了评估。

Sep, 2019

利用深度分类模型和序数回归损失优化学习自动对焦技术，相比之前的方法可以将平均绝对误差降低 3.6 倍。

Apr, 2020

该研究提出一种使用单一手机相机和按键合成浅景深图像的系统，如果该图像是一个人，则使用人体分割网络将人和其配件与背景分离，并使用密集二像素自动对焦硬件计算出密集深度图。这两个信号结合起来用于渲染一张非聚焦的图像。

Jun, 2018

提出了一种利用双摄像头系统中的虚焦效应，并通过图像重构来了解虚焦控制的 $ ext {DC}^2$ 系统，能够优于现有的虚焦去模糊，背景虚化和图像重构技术，支持倾斜移位和基于内容的虚化效果。

Apr, 2023

本文提出了从 DSLR 相机制作模糊背景效果的深度学习模型，并使用大规模图像数据集进行训练。通过实验证明，该模型能够生成非均匀玻璃散射现象，即使输入数据复杂。

Jun, 2020

使用 94 个高分辨率的原始图像序列进行训练，该研究首次引入了适用于现实世界应用的焦点叠加的深度学习算法，且在处理长时间序列时与现有商业解决方案相媲美，同时对噪声更具容忍度。

Nov, 2023

本文通过使用领域不变的虚焦模糊作为直接监督来解决数据驱动的深度估计方法在不训练场景外的概括能力问题，并利用置换不变卷积神经网络利用虚焦提示，通过不同焦点的图像差异训练模型，从而在合成数据集合和真实世界图像集合上取得了令人信服的泛化结果和最先进的深度预测。

May, 2020

基于可调焦液体透镜和深度强化学习算法的视频自动对焦方法，改善了手持实时高光谱成像系统的焦深度限制，提高了手术中高光谱成像技术的可用性和效果。

Jul, 2023

本文提出了一种新的 All-in-Focus (AIF) 照片综合方法，旨在通过智能手机主（广角）和超广角相机之间的拍摄，从一个场景的一次拍摄中生成清晰的 AIF 照片，并介绍了一个预测和细化网络方法来减轻挑战，并提出了动态频域对齐技术进行颜色校正。通过构建包括 2686 个独特场景数据集来验证 EasyAIF 方法，此方法可以高质量地生成 AIF 照片，并在定量和定性上优于已有的基线方法。

Apr, 2023