通过使用现代摄像头上越来越常见的双像素自动对焦硬件，识别深度估计中的不确定性并开发了一种方法解决它，使基于学习的方法可以很好地应用于双像素图像，提高了成像质量。

Apr, 2019

本文介绍了一种新的方法来实现休闲视频制作中的电影般的焦点，即从深度拍摄的视频中合成可重新对焦的视频，并分析未来的视频帧以实现上下文感知的自动对焦。

May, 2019

AutoFocus 是一种高效的基于深度学习的物体检测器的多尺度推理算法，只处理可能包含细节或小物体的区域，可以得到 47.9%（50% 重叠时的 68.3%）的 mAP，比 RetinaNet 多 10% 的 mAP。

Dec, 2018

该研究提出了一种有效的去除焦外模糊的方法，利用大多数现代相机上的双像素传感器捕获的数据，通过深度神经网络结构来减少焦外模糊，并且通过精心捕获的数据集来证明了该方法的可行性。

May, 2020

使用 94 个高分辨率的原始图像序列进行训练，该研究首次引入了适用于现实世界应用的焦点叠加的深度学习算法，且在处理长时间序列时与现有商业解决方案相媲美，同时对噪声更具容忍度。

Nov, 2023

使用深度焦点提示为基础，基于点扩散函数卷积层的无监督学习深度估计方法能在多个数据集上优于其他无监督方法和与 KITTI 和 Make3D 数据集中的监督方法效果相当，并且与数据集无关.

Jan, 2020

本研究提出了一种利用双像素传感器的多任务学习方法，用于单张图像的去模糊和深度估计，并通过实验证明，这种方法可以取得比其他最先进的方法更好的效果。

Aug, 2021

该研究提出了一种基于双像素图像的无监督学习方法，通过同时估计图像的焦散图和所有点的聚焦图来减轻焦散的影响并生成全聚焦图。

Oct, 2021

本文提出了一个基于双目图像深度估计和重聚的物理学启示管道，以在移动相机中从全聚焦双目图像中模仿 DSLR 相机的浅景深效果，从而实现在 76 FPS 的实时应用。相对于其他方法，我们的管道同时是可完全区分的、受物理启发的、不受场景内容的影响，还可以在静态图像场景中实现计算机视频焦点跟踪，我们还使用 SceneFlow、KITTI、CityScapes 等公共数据集对我们的方法进行了评估。

Sep, 2019

使用深度学习算法和手机拍摄的 RGB-D 数据集改进图像升采样、边界预测和景深控制，从而实现了单张图像高分辨率景深浅化处理。与双镜头深度相机 iPhone 模式相比，该方法在景深控制和光圈大小选择方面更加灵活，且生成的图像质量较好。

Oct, 2018