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

该研究提出一种通过合成数据生成具有现实意义的双像素数据，用于提升基于双像素数据捕获的单幅或多幅相机图像去模糊的结果，在视频去模糊的应用中具有广泛前景。

Dec, 2020

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

本文提出了一种新型深层次解除虚焦模糊网络，它通过使用光场技术生成高度准确的图像配对，并使用 Feat?ure loss 技术改善二次拍摄方法捕捉到的图像失焦，取得了在多个测试集上的良好表现。

Apr, 2022

本文提出了一种利用深度学习方法和从焦外模糊度生成深度图像的技术来预测在野外环境下的单张图像深度的系统，并通过实验证明，相较于清晰图像，焦外特征能够有效提升深度预测准确性。

Sep, 2018

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

提出了一种利用双摄像头系统中的虚焦效应，并通过图像重构来了解虚焦控制的 $ ext {DC}^2$ 系统，能够优于现有的虚焦去模糊，背景虚化和图像重构技术，支持倾斜移位和基于内容的虚化效果。

Apr, 2023

本文介绍了一个 DP Depth/Normal 网络，通过收集超过 135K 张 DP 面部数据实现了 3D 面部几何重建，该网络具有自适应采样模块和自适应法线模块，可处理 DP 图像中的虚焦模糊区域，并实现了是取得最新的 DP-based 深度 / 法线估计方法的最优表现，同时也展示了该面部深度 / 法线估计在面部欺骗和光照方面的应用。

Nov, 2021

本文提出了一种数学的双像素模型，以获得双像素图像的深度信息，同时提出了一种同时估计深度和还原图像的端到端的深度去模糊网络 (DDDNet)，并定义了一个 reblur loss 来规范深度估计的训练，此外，作者还提出了双像素图像模拟器，可从现有的 RGBD 数据集创建双像素对数据集。经对合成和真实数据集的大量实验评估表明，与现有技术相比，我们的方法具有竞争性的性能。

Dec, 2020

从双像素（DP）对中恢复带有视差相关模糊的清晰图像是一项具有挑战性的任务。我们提出了第一个引入对比语言 - 图像自训练框架（CLIP）实现的无监督 DP 对模糊图估计的框架，通过精心设计的文本提示使 CLIP 能够理解 DP 对中与模糊相关的几何先验知识。在获得估计的模糊图之后，我们引入了一个模糊先验注意块、一个模糊加权损失和一个模糊感知损失来恢复全焦点图像。我们的方法在广泛的实验中达到了最先进的性能。

Jul, 2023