本文首次证明了深度神经网络可用于计算成像中的反问题，并通过训练 DNN 成功地在无镜成像系统中恢复出相位物体。

Feb, 2017

使用不需要镜头的相机对编码无镜头捕捉的隐私保护人脸验证进行端到端优化，确保整个软件流程在编码过程中没有可见人脸的中间结果，通过面部中心对齐方案、增强训练和知识蒸馏等技术解决了不同于传统人脸检测和对齐的不同挑战，评估结果显示该方法优于两阶段无镜头验证，同时提升了隐私保护和效率。

Jun, 2024

通过无镜成像，提出了第一个端到端的框架，从无镜成像数据中恢复三维人体姿势和形状。

Apr, 2024

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

本研究提出一种神经镜头模型 ——NeuroLens，通过神经网络对失真和暗角进行建模并进行优化，可用于预捕捉校准、重新校准，同时可集成到现有的三维重建和渲染系统中，并在比起标准配套和最新方法时表现更好。

Apr, 2023

本文介绍了一种新型的深度神经网络模型 —— 隐式相机模型，可以模拟相机成像过程，在多段曝光和多对焦的影响下，生成高质量的全景照片和高动态范围图像。

Apr, 2023

本文提出了一个自监督学习的方法，通过深度引导的调整过程，利用变换自编码器的网络结构，在只有 2D 图像和相关视角变换的情况下精确合成高质量的 3D 对象或场景的新视角，并实现了细粒度和精密的六自由度视角控制。通过在合成和真实场景以及精细和固定视角设置下的彻底评估，证明了该方法的广泛适用性。

Jan, 2019

本文提出一种将基于模型的稀疏正则化与数据驱动的深度学习相结合的混合重建框架，通过剪切波变换的分解，将可见和不可见分量分别处理，使神经网络只需要学习不可由基于模型方法处理的部分系数，提高了在有限角度计算机断层扫描中的重建性能。

Nov, 2018

通过结合点扩散函数工程和深度神经三明治网络的方法，我们开发了一种解决激光干扰的方式。除了保护传感器外，我们的方法还能将激光从场景中移除并重建出一幅清晰的图像。我们的图像恢复模型在各种场景内容、照明条件、激光强度和噪声特征方面，在定量和定性上均优于其他方法。

Feb, 2024

本研究提出一种名为 LoMaR 的局部掩码重建的学习机制，该方法与生成式自监督视觉学习方法（如 MAE 和 BEiT）相比，可以更加高效地在简单的转换器编码器上进行掩码重建，同时也更具准确性，可轻松集成到其他生成式自监督学习方法中。

Jun, 2022