本文介绍一种基于完全卷积神经网络的快速准确光场深度估计方法，克服了光场图像深度估计中存在的一些限制，如缺乏训练数据以及方法速度与准确性之间的权衡。该方法在 HCI 4D 光场基准测试中排名第一，并在实际光场图像上展示了方法的有效性。

Apr, 2018

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

本文提出了一种基于全卷积网络的深度估计方法，用于通过利用光场相机获取的空间和角度信息中的几何特征，估计场景的深度图，并引入了 “定向关系模块” 帮助建立直线方向之间的关系来提高估计的精度。

Jul, 2020

本研究提出一种基于卷积神经网络的单张图像深度估计方法，使用更容易获取的双目立体视觉图像替代需要大量对应地面真实深度数据的监督式回归训练，通过利用同一场景下两个视点的对极约束，生成视差图，并利用一种新的训练目标函数，结合左右两张图像的视差图像互相匹配和校准，提高了深度估计的性能表现，从而实现了在 KITTI 数据集上的单张图像深度估计的最新领先水平，甚至超过了基于真实深度训练的监督式方法。

Sep, 2016

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

本文提出了一种新的基于机器学习的方法用于从稀疏的视角图像中合成新的视角图像，该方法使用了两个 CNN 来分别对视差和颜色进行估计，并通过最小化合成图像与标准图像之间的误差来同时训练两个网络。实验结果表明该方法能够合成出高质量的图像并优于现有的技术，该方法可以潜在地降低消费者光场相机所需的角度分辨率，从而提高空间分辨率。

Sep, 2016

提出了一种基于深度分布对轻量级网络与重量级网络之间的精度差异进行建模的分布对齐网络 (DANet)，并使用金字塔场景转换模块 (PST) 模块和本地全局优化 (LGO) 方案进行全局深度监督，以实现深度分布形状和场景深度范围的对齐，从而大大缓解了分布漂移并实现与重量级方法相当的性能。

Mar, 2022

本文提出了一种在单个图像中利用深度卷积神经网络和连续条件随机场进行深度估计的方法，通过结构化学习方案统一学习了连续 CRF 的一元和二元潜力，并通过实验证明了其在室内和户外场景数据集上优于现有深度估计方法。

Nov, 2014

本文提出了一种使用卷积神经网络和条件随机场的深度学习模型，针对单目图像的深度估计问题，其中结构化的学习框架学习连续 CRF 的一元和二元势函数；基于全卷积网络和新的超像素池化方法，提出了一种更有效的模型，在室内外场景数据集上表现优于现有的深度估计方法。

Feb, 2015

提出了一种使用 Transformer 架构学习隐式多视图一致场景表示并引入一系列 3D 数据增强技术的方法来增加视角多样性的深度估计网络，同时介绍了引入视角合成作为辅助任务，该网络在不使用显式几何约束的情况下在立体和视频深度估计方面取得了最先进的结果， 并在零样本领域泛化方面有了显著的提高。

Jul, 2022