该论文利用深度学习技术对单张图片进行多平面图像生成，应用于视图合成问题中，并将 scale-invariant 视图合成应用于监督训练，在在线视频上进行训练。该方法适用于多个数据集，可以生成合理的深度图，并且可以学习填充前景物体背后的内容。

Apr, 2020

通过生成适应性深度平面的分区式多平面图像（TMPI），提供了一种有效的方法来合成单视图的三维摄影图像，并具有较低的计算开销。

Sep, 2023

利用多平面图像 (MPI)，采用基于梯度下降的学习方法，使用来自一组稀疏摄像机视角的图像，实现视点合成，并具有遮挡理解功能，在具有高深度复杂性的场景中，改进了物体边界、光反射和薄结构等具有挑战性的场景特点，并且在我们提供的 Kalantari 光场数据集和全新的 Spaces 相机阵列数据集上均获得了高质量的最新成果。

Jun, 2019

提出了 SinMPI 方法，通过扩展的多平面图像作为 3D 场景表示，使用稳定扩散生成超出视野内容并优化多平面图像，从而显著扩展了透视范围，生成高质量的新视图图像。

Dec, 2023

基于改进的多平面图像（MPI），本文介绍了一种适应场景的分层多平面图像表示，用于从单幅图像合成新视角，观察到对于无界户外场景，深度分布变化显著，因此采用自适应分组策略来排列平面，进一步引入了分层细化分支，以呈现精细的几何和多尺度细节，该方法在 KITTI 数据集上合成大规模无界户外场景并具有显著的性能提升，在未见过的 Tanks and Temples 数据集上具有较好的泛化性能，代码和模型将公开。

Sep, 2023

该论文探讨了使用极窄基线对图像进行视角合成的问题，并着重于生成带有合理深度间隙的高质量视角推断，提出了一种理论分析显示 MPI 的视角范围如何随着 MPI 视差采样频率的增加而线性增加，并提出一种 MPI 预测程序，理论上使视角推断的范围扩展了至少 4 倍。

May, 2019

本文提出了一种利用在线视频数据来学习视角外推的新方法，通过将输入的立体图像对转化为 “多层图像”，再利用深度学习网络来生成视角外推的图像，实现了将狭窄基线的立体图像进行放大的功能。

May, 2018

本文介绍了第一种基于三维场景表示的多帧去噪方法，扩展了多平面图像 (MPI) 框架用于新视角合成，最终实现了视角合成、多帧去噪和在嘈杂条件下的视角合成。

Mar, 2023

本文提出了一种利用场景 3D 几何信息进行新视角生成的方法，通过学习区域感知几何转换网络实现输入图像到目标视角的变换，并在 KITTI 和 ScanNet 数据集上取得了优于现有方法的高质量生成效果。

Apr, 2018

本文提出了一种称为 S-MPI 的新型多平面图像表示，这种表示可以有效地完成利用稀疏数据进行的视图合成任务，同时可以代表三维场景，本文使用基于转换器的网络处理 S-MPI 描述的数据，通过共享全局代理嵌入来保证多视图一致性，并且在包含多个局部和全局一致性指导的数据驱动方程中优化 S-MPI. 大量实验表明，S-MPI 在视图合成方面优于现有 MPI-based 方法和平面重建方法。

Mar, 2023