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

提出了一种基于全卷积神经网络架构的光场数据深度估计方法，引入 EPI-Shift 概念，实现对 wide-baseline 光场数据的高精度计算，并在公开数据集和实际录制的数据上进行了验证和比较。

Sep, 2019

本文提出了一种针对多视角深度估计的新方法，使用 Epipolar 时空变换器和混合专家模型，实现与 SOTA 方法相比更高的估计精度和速度。

Nov, 2020

此研究论文研究如何从单个 RGB 图像自动重建场景的完整 3D 模型，它采用一种新的 Epipolar Feature Transformer 技术来联合图像的多层深度表示和卷积神经网络特征以提高场景信息的准确性。

Feb, 2019

本文提出了一种基于全局几何约束的无监督深度学习光流方法 - Deep Epipolar Flow，并通过对多种强制使用对极约束的光流评估方式进行研究以及提出低秩约束和子空间并集约束来训练以缓解动态场景中存在多个运动时可能出现的 “鸡生蛋” 的问题。该方法在各种基准数据集上表现出卓越的性能，具有与监督方法相当的竞争性，并且优于最先进的无监督深度学习方法。

Apr, 2019

利用多视角几何约束和轨迹极线距离识别背景和前景，结合光流和输入 - 丢失机制提出了一种有效的运动网络，与先前的方法相比在 DAVIS-2016、2017 和 Segtrackv2 数据集上均获得了更好的效果。

Sep, 2019

基于非学习的优化方法，该论文提出了一种新的方法，通过明确考虑光场的 4D 几何模型，来利用 4D 几何信息进行深度估计，实验结果表明，该方法在表面法线角度精度方面优于现有的学习和非学习的方法，在平面表面上的平均中位角误差比现有方法低 26.3％，在均方误差 ×100 和 Badpix 0.07 方面与现有方法具有竞争力。

Mar, 2024

稀疏视图输入中重建表面的挑战一直存在着，本文提出了一种名为 EpiS 的新方法，它将对极线信息纳入重建过程，聚合了来自多个源视图的线级信息，生成精细的信号距离函数 (SDF) 感知特征，并通过注意力机制实现了特征融合。此外，本文还采用全局和局部正则化技术，整合了从单目深度估计中得到的深度信息，用于解决稀疏条件下的信息缺失问题。广泛的实验证明，我们的方法在稀疏和可推广条件下优于现有的方法。

Jun, 2024

本文提出了一种深度估计框架，通过超像素的规则化来检测部分遮挡边界区域，结合标签置信度图和边缘强度权重的缩减 / 强制操作，可以修复一些复杂场景中的深度估计问题。实验结果表明，在平均视差误差率、遮挡边界精确度和特征保存等方面，该方法优于现有的最先进的深度估计方法。

Aug, 2017