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

本研究提出了一种基于连续波 ToF 相机的神经表征模型，改进了动态场景的重建质量及鲁棒性，讨论了将 RGB+ToF 传感器集成到现代智能手机上的益处和局限性。

Sep, 2021

本文提出了一种结合时序相位测量与光线传输方程的方法来校正多径干涉，有效地提高了基于时差测量的 TOF 摄像机深度测量的精度。

Jan, 2015

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

通过使用轻量级 ToF 传感器的信号，结合多模式隐式场景表示、粗糙到精细的优化策略和时间信息处理，该研究提出了一种用于相机追踪和稠密场景重建的稀疏光准测距技术，取得了良好的结果。

Aug, 2023

本文提出了一种迭代去噪方法，使用 2.5D 数据训练 3D 卷积操作以纠正点沿视角方向的位置，并使用自训练方法在标记数据稀缺的情况下在未标记的真实数据上进行训练，实验表明，该方法能够在多个数据集上胜过 SOTA 方法。

Nov, 2021

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

本文提出了一种基于深度学习的框架，用于对移动 RGB 相机配备的飞行时间（ToF）传感器进行在线校准和对齐以及复杂误差校正。通过将 RGB 图像和 ToF 幅度图之间进行交叉模态光流估计以进行对齐，并通过一个改进的内核预测网络直接回归时间飞行深度进行深度精修。通过计算机图形学的方法，我们还合成了一个数据集，为数据的端到端训练提供更多丰富的信息。实验结果表明，本文提出的方法在 ToF 精修方面取得了最先进的效果。

Sep, 2019

本文探讨基于 TOF 相机技术利用调制光源传递距离图的实验，提出可解释一些观察到现象的噪声模型，该模型基于假设噪声源与光源相关以及另外的添加噪声源，成功预测了距离误差依赖于图像强度和个别像素处真实距离的相关性。

May, 2007

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