有限发射次数下近场 iToF LIDAR 深度提高
本文探讨了间接飞行时间（iToF）相机等深度感知技术，提出一种名为 iToF2dToF 的方法，通过插值 / 外推 iToF 频率来估计瞬态图像，并演示其在实际深度感知场景中的优势。
Mar, 2021
该研究论文以仅使用普通光时间飞行传感器的数据，而无需额外硬件需求，首次提出了利用深度学习模型来处理摄像机视线之外的物体获取问题，并通过构建注释的训练数据，轻松处理光反射并恢复隐藏场景的深度信息，同时演示了该想法的可行性。
Mar, 2024
本文提出了一种新的基于学习的端到端深度预测网络，该网络采用多步方法对噪声原始 I-ToF 信号以及 RGB 图像进行融合，以预测与 RGB 视点对齐的高质量远程深度图。在挑战性的现实场景中测试我们的方法，与基线方法相比，最终深度图的 RMSE 提高了 40% 以上。
Dec, 2021
本文提出了一种极化 iToF 成像方法，可以通过散射介质强有力地捕获深度信息，通过散射分析而估计出参与介质中的散射能量，我们的方法通过散射模型和极化相位测量，优于基线方法。
Jun, 2023
使用多个调制频率测量分离干涉成分的稀疏正则化解决方案，将 ToF 成像映射到频谱估计理论的一般框架中，并应用于改善深度剖面和利用多重散射。
Apr, 2014
该论文介绍了 TOF 摄像机的测量原理，包括脉冲光摄像机和连续波调制光摄像机，并讨论了已有设计和相机校准原理及其在 TOF 设备中的应用，最后探讨了结合 TOF 和彩色摄像机系统的优点和挑战。
Dec, 2020
通过利用神经网络的能力，本研究提出了一种基于 LiDAR 数据分析的参数估计的新方法，成功地学习了反演模型，并能够预测诸如深度、衰减系数和底反射率等参数。通过对真实 LiDAR 数据的测试，验证了模型的性能。未来更多的数据可用性将能够提高这类模型的准确性和可靠性。
Dec, 2023
本文基于卷积神经网络和自编码器的方法，提出了不需要对相机进行修改即可校正多径干扰导致深度估计误差的技术，并通过大量数据的训练和模拟实验验证了该方法的可行性。
May, 2018