我们设计了一个基于光学分束器的混合光场成像原型，可以同时记录 4D 光场图像和高分辨率的 2D 图像，并生成混合光场数据集。然后，我们提出了一种基于无监督学习的超分辨率框架，利用混合光场数据集自适应地解决具有复杂退化模型的光场空间超分辨率问题。我们的方法在实验证明了与基于监督学习的最先进方法具有相同的优势。据我们所知，这是光场成像研究中第一种端到端无监督学习的空间超分辨率方法，其输入可以从我们的基于光学分束器的混合光场系统中获得。硬件和软件的结合有望在很大程度上促进光场超分辨率的应用。

Feb, 2024

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

光场成像具有捕捉角度和空间光分布的能力，通过模块化方法进行分辨率增强，以每个光场视角独立增强分辨率的纹理变换网络，并利用光场的规则性来同时提高所有光场图像视角的分辨率，相比现有方法在定性和定量评估方面表现出更好的性能。

May, 2024

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

本论文提出了一种基于端到端学习的方法，旨在通过充分利用光场的内在几何信息，对大基线光场进行角向超分辨率处理。实验证明，该方法与现有最先进的方法相比，平均提高了 2 dB 的峰值信噪比，并节省了 48 倍的执行时间，同时更好地保持光场视差结构。

Feb, 2020

本文提出了一种高阶残差网络，通过学习光场数据的几何特征对其进行重建，可有效减少非 Lambertian 和遮挡区域的伪影。实验结果表明，该方法在定量和视觉评估上均优于最先进的单图像或 LF 重建方法。

Mar, 2020

本文提出了一种通过分析光场图像超分辨率嵌入的几何关系并引入虚拟狭缝图像（VSI）的新 LF 子空间来提高效率的方法，并且使用超采样和 EPIXformer 几何感知译码器对低分辨率 LF 数据进行超分辨率重建，实验结果表明该方法在各种差异处理方面优于其他现有方法。

May, 2023

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

该论文提出了一种基于 Transformers 的新型 LFSR 公式，将每个垂直或水平角度视图的子孔径图像视为序列，并通过空间 - 角度本地增强的自我注意力层在每个序列内建立长程几何依赖关系，该模型还提出了一种保留细节的转换器 DPT，并利用光场的梯度图引导序列学习。在多个光场数据集上进行评估，该方法表现优异，超越其他最先进的方案。

Jan, 2022