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

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

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

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

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

用单眼深度估计来对抗焦散模糊进行更准确的结果预测，根据光学物理方程表明了相机相关参数如何影响焦散模糊并且提出了简单的校正方法，无需对原始模型进行重新训练，通过合成数据集和真实数据集的评估结果表明了该方法对于不同相机的适应性更强。

Nov, 2023

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

利用深度分类模型和序数回归损失优化学习自动对焦技术，相比之前的方法可以将平均绝对误差降低 3.6 倍。

Apr, 2020

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