本文提出了一种新的深度图像超分辨率方法，利用移动手机和 Lucid Helios 采集的配对 LR 和 HR 深度图构建了一个名为 RGB-D-D 的大规模数据集，并提供了一个快速深度图超分辨率（FDSR）基准线，与现有公共数据集上的基准方法相比，我们的网络在效果和效率上都有很大的提升，并且可以处理真实世界中的 LR 深度图以产生更准确，清晰的边界，并在一定程度上修正深度值错误。

Apr, 2021

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

本文提出了一种针对现实世界深度图超分辨率（DSR）的技术框架，该框架包括四个模块，并在基准数据集上进行实验表明，该方法优于当前最先进的 DSR 方法。

Jun, 2020

本研究提出了一种基于 Swin 变换器架构和非线性激活函数自由网络的联合图像滤波深度图超分辨率算法，并通过数值研究和视觉示例证明了其在保持竞争计算时间的同时提高了最先进性能。

Jun, 2023

通过学习稀疏且空间变异的卷积核，我们提出了一种新的 CNN 体系结构和实现方式（DKN），用于将高分辨率彩色图像转换为相应的低分辨率深度图。我们还提出了 FDKN 的快速版本，它在标准基准测试上明显优于现有方法。

Mar, 2019

本文提出一种基于深度学习的方法，通过利用多视角下的几何信息来超分辨率重建三维物体材质纹理贴图，数据集采用了 ETH3D、SyB3R、MiddleBury、TUM、Fountain 和 Relief 等。

Jun, 2019

色彩引导的深度图超分辨率技术通过扩展高品质彩色图像来提高低质量深度图像的空间分辨率，利于 3D 重建、虚拟现实和增强现实等多方面应用。本文提出一种新颖的深度图超分辨率范式，利用扩散模型在潜在空间中生成深度图超分辨率的引导。该方法包括引导生成网络，深度图超分辨网络和引导恢复网络，并结合简单而有效的特征融合模块和 Transformer 风格的特征提取模块，使其能够在多模型图像的提取、融合和重建中利用引导先验知识。经过广泛的实验证明，在准确性和效率方面，我们的方法在与现有先进方法对比时展现出卓越的性能。我们的代码将在此 https 的 URL 进行公开共享。

Nov, 2023

我们提出了一种新的校准和重建过程，放弃了显式的点三角化，转而使用基于数据驱动的查找过程。我们的算法和硬件原型针对高速 3D 扫描进行了描述和比较。

Apr, 2024

本文提出了一种处理多视图卫星图像生成 3D 数字表面模型的自动化流程，其中包括自动地地理参考和基于匹配生成高质量密集点云。通过学习样本 LiDAR 数据的关键配置，我们根据结果的接近程度对图像对进行排名，并使用自适应 3D 中值滤波器融合多个深度图。我们证明了提出的自适应中值滤波器通常比普通中值滤波器产生更好的结果，在最佳情况下达到了 0.36 米 RMSE 的精度提高。结果和分析被详细介绍。

May, 2019

使用深度学习算法和手机拍摄的 RGB-D 数据集改进图像升采样、边界预测和景深控制，从而实现了单张图像高分辨率景深浅化处理。与双镜头深度相机 iPhone 模式相比，该方法在景深控制和光圈大小选择方面更加灵活，且生成的图像质量较好。

Oct, 2018