本研究提出了基于网络的方法，利用预测的单眼深度图和三种新的边缘感知 Bokeh 损失，以生成逼真的单眼 Bokeh 效果，并使用对抗性损失进行微调，实验结果表明，我们的方法能够处理复杂场景，产生锐利边缘而自然的 Bokeh 效果。

Aug, 2022

本文提出了从 DSLR 相机制作模糊背景效果的深度学习模型，并使用大规模图像数据集进行训练。通过实验证明，该模型能够生成非均匀玻璃散射现象，即使输入数据复杂。

Jun, 2020

本论文提出了一种基于端到端深度学习框架的方法，通过单眼景深估计网络将原始图像和不同版本的平滑图像混合以生成高质量的浅景深照片，该方法在 AIM 2019 咀嚼效应挑战赛感知跟踪中排名第二。

May, 2020

本研究提出了一种基于焦散先验和辐射先验的实现逼真的 bokeh 效果的框架，该框架模拟了摄影中的浅景深，能够准确地模拟深度关系和区分出焦点区域，并为焦点区域提供多种不同的处理方式，可以在不提供深度图的情况下，学习实现真实感的 bokeh 渲染。

Jun, 2023

本文回顾了第二届 AIM 逼真的浅景深效果渲染挑战，并提供所提出的解决方案和结果的描述。参与团队通过学习大规模数据集，成功实现了只基于一个框架的实时计算和感知质量较高的浅景深效果渲染，将该领域的实际应用推向了新的高度。

Nov, 2020

本研究提出了一种混合神经渲染模型，将基于图像的表示和神经 3D 表示结合起来，以渲染高质量，视图一致的图像，并在训练过程中通过预计算的质量感知权重来降低模糊图像的影响，从而在新视图合成方面超越了现有的以点为基础的方法。

Apr, 2023

本文提出一种名为 Glass-Net 的生成器，利用 GAN 和感知损失结合进行模型的 finetuning，同时重新实现了 Instance Normalization，通过在智能手机 GPU 上加速 tflite 模型，能在所有智能手机芯片上每秒处理一张 1024x1536 像素的高质量 bokeh 图像，且该方法在 AIM 2020 排名第一。

Nov, 2020

提出了一种基于光场的方法来改善相机阵列的图像质量，使用视差进行对焦区域的估计，使用基于深度的各向异性滤波器渲染非对焦区域，再使用基于重建的超分辨率方法产生重点区域被超分辨率处理而非对焦区域审美化呈现的图像，使得景深可以进行后期调整，并表明该方法在公开及自建数据集上取得了优越的视觉表现。

Aug, 2021

本文利用端到端 Deep Multi-Scale Hierarchical Network (DMSHN) 模型对单眼相机拍摄的图片进行了 Bokeh 效果的直接渲染。通过提出一个堆叠的 DMSHN 模型来进一步改善效果，避免在中等配置设备上运行时参数过多、运行时间过长等问题。该模型在使用较小的运行时间处理高清晰度图像时能够获得大规模 EBB! 数据集上的最新成果。

May, 2021

利用可学习的三维场景表示 Multiplane Image (MPI)，提出了一个高分辨率的 MPIB Bokeh 渲染框架，配合背景修复模块，有效地实现了真实的部分遮挡效果，在合成和真实图像上取得了较好的结果。

Jul, 2022