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

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

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

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

本文介绍了一种用于提升光场相机在深度估计方面性能的深度解耦机制，并通过设计改进的特征提取器和网络结构来实现最先进的性能。此外，还设计了一种块遍历角度超分辨率策略，可在输入视图较高的内存使用情况下减少内存使用量，并具有更好的重建性能。

Nov, 2023

本文利用新颖的端到端学习法解决通过混合镜头（高分辨率相机周围有多个低分辨率相机）重建高分辨率光场图像的问题，通过深度多维和跨域特征表征回归一个具有空间一致性的中间估计，同时构建另一个维护高频纹理的中间估计，在通过学习的注意图整合两个中间估计的优势，最终重建高分辨率的光场图像。实验证明本研究方法相较于现有技术在提高峰值信噪比两个单位的同时保留了光场结构，并且是首个使用端到端深度学习方法解决混合输入高分辨率光场图像问题。

Jul, 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

本文提出了一种用于 Light field 图像超分辨率的变形卷积网络，该网络解决了 Light field 图像中由于角度不同导致的位移不一致问题，并通过角度变形对齐模块实现双向对中，有效地将角度信息编码到每个视图的特征中，从而提高了所有 LF 图像的 SR 重建质量，并在公共数据集和自行开发的数据集上得到了验证。

Jul, 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