使用单色点投影进行深层次高光谱深度重建
通过将两个校准的多光谱实时摄像机结合成一个立体系统，我们提出了一种新方法来连续捕捉高光谱数据立方体，实现三维重建和光谱分析，以提高空间分辨率和光谱分辨率的视频流，旨在用于手术辅助监控。
Dec, 2023
提出了一种压缩的单拍摄单目全光谱成像方法，使用衍射光学元件，通过深度和谱信息的点扩散函数的变化来同时恢复谱和深度，利用神经网络和可微分的模拟器实现优化，提供了第一个 HS-D 数据集，实验结果达到了最先进的全光谱深度成像效果。
Sep, 2020
本研究探索了使用光度学技术（阴影形状和非标定光度立体）将 RGB-D 传感器的低分辨率深度图上采样到伴随的 RGB 图像的高分辨率。首先提出了一种有效的单次变分方法，而这依赖于目标的反射率是分段常数。随后，展示了这个依赖特定反射模型的限制可以通过关注特定类别的对象（例如面部），并将反射率估计委托给深度神经网络来缓解。最后讨论了一种基于随机变化光照条件的多次采集策略。这不需要反射率的培训或先前知识，但其代价是专用采集设置。通过定量和定性评估，证明了所提出方法在合成和真实场景中的有效性。
Sep, 2018
本文提出针对 RGB 图像的光谱重建问题一种基于深度学习和卷积网络的高效解决方案，使用参考光谱进行敏感度函数估计，并讨论普适性与特化模型的局限性，实验结果表明，从单张 RGB 图像准确进行光谱估计已经可以在一定程度上实现。
Dec, 2018
通过深度学习从 RGB 图像重建高光谱图像，可用于预测甘薯中的可溶性固形物含量，结果表明基于重建光谱的部分最小二乘回归模型优于使用全光谱范围的模型，突显了基于深度学习的高光谱图像重建作为一种低成本、高效的农业应用工具的潜力。
May, 2024
本文介绍了一种新型的投影仪 - 相机系统，可实现对物体的密集三维建模和光谱反射性质的低成本获取，该系统利用标准 RGB 相机和现成投影仪进行光照和结构估计，通过多视点结构光和 SfM 技术完成构建，并通过多光谱成像估计每个 3D 点的光谱反射，实验证明该系统可用于获得设备简单而精度高的三维模型和全光谱反射性质。
Aug, 2019
使用深度学习方法，通过输入 RGB 图像估计深度图并顺序生成计算机生成全息图，从而克服仅提供 RGB 颜色数据的情况下，生成比竞争模型更准确的体积全息图。
Sep, 2023
通过对 RGB 图像进行数据驱动的光谱重建方法的分析，我们发现当前模型在噪声、压缩和变色上存在限制，然而，通过异色数据增强和光学镜头像差可以提高 RGB 图像对色差信息的编码，从而带来更高性能的光谱成像和重建方法。
Jan, 2024
该研究提出了一种新颖的轻量级、端到端学习的框架，能够在没有成对的高光谱和 RGB 图像训练数据的情况下，从单个 RGB 图像重建高光谱图像，并在合成和实际数据上实现了更好的性能。
Aug, 2021