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

本文提出一种名为 LF-InterNet 的空间角度交互网络用于光场图像超分辨率，通过特征交互逐渐融合空间和角度信息。我们的方法在低计算成本下，能够以高 PSNR 和 SSIM 评分还原重构图像的细节，明显优于现有的超分辨率方法。

Dec, 2019

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

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

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

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

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

本研究提出了一种新的光场超分辨率算法，采用多帧方法，使用不同光场视图中的信息来增强整个光场的空间分辨率，结合图形正则化器通过非局部自相似性来避免各个视图昂贵且具挑战性的差异估计步骤。实验表明，本算法在 PSNR 和视觉质量方面都与其他光场超分辨率最先进方法相比优越。

Jan, 2017