通过神经网络的学习算法，本文设计了一种新颖的元表面结构，并结合新型的基于神经元特征的图像重建算法，在全彩超小场景，完成首个高质量的纳米光学成像装置，同时实现最宽的视野和最大的 0.5mm，f/2 光圈。

Feb, 2021

本文提出了一种基于条件归一化流的新架构，可实现快速三维立体重建，对于实时三维采集和潜在分析非常适用，并能够实现精确的似然度计算，从而进行分布监测、基于样本检测的重训练。

Jun, 2023

光场成像具有捕捉角度和空间光分布的能力，通过模块化方法进行分辨率增强，以每个光场视角独立增强分辨率的纹理变换网络，并利用光场的规则性来同时提高所有光场图像视角的分辨率，相比现有方法在定性和定量评估方面表现出更好的性能。

May, 2024

使用深度学习构建的扫描超透镜显微镜 (SSUM) 系统通过光学超分辨率图像和扫描电子显微镜 (SEM) 领域图像之间的映射关系，将光学超分辨率图像转化为类似 SEM 的具有大景深的图像，其在图像转换中表现出色，重构结果具有高层次的细节，适用于芯片级缺陷检测、生物样品分析、法医学以及其他各个领域。

Oct, 2023

本文首次证明了深度神经网络可用于计算成像中的反问题，并通过训练 DNN 成功地在无镜成像系统中恢复出相位物体。

Feb, 2017

我们设计了一个基于光学分束器的混合光场成像原型，可以同时记录 4D 光场图像和高分辨率的 2D 图像，并生成混合光场数据集。然后，我们提出了一种基于无监督学习的超分辨率框架，利用混合光场数据集自适应地解决具有复杂退化模型的光场空间超分辨率问题。我们的方法在实验证明了与基于监督学习的最先进方法具有相同的优势。据我们所知，这是光场成像研究中第一种端到端无监督学习的空间超分辨率方法，其输入可以从我们的基于光学分束器的混合光场系统中获得。硬件和软件的结合有望在很大程度上促进光场超分辨率的应用。

Feb, 2024

通过仅使用单个 RGB 图像作为输入，LFdiff 采用基于扩散的生成框架针对光场合成进行设计，利用单目深度估计网络估计视差并结合新颖的条件方案和面向光场数据的噪声估计网络。实验结果表明，LFdiff 在综合光场合成方面具有卓越表现，并且生成的光场数据具有广泛的应用性，涵盖了光场超分辨率和重焦等应用领域。

Feb, 2024

本文利用新颖的端到端学习法解决通过混合镜头（高分辨率相机周围有多个低分辨率相机）重建高分辨率光场图像的问题，通过深度多维和跨域特征表征回归一个具有空间一致性的中间估计，同时构建另一个维护高频纹理的中间估计，在通过学习的注意图整合两个中间估计的优势，最终重建高分辨率的光场图像。实验证明本研究方法相较于现有技术在提高峰值信噪比两个单位的同时保留了光场结构，并且是首个使用端到端深度学习方法解决混合输入高分辨率光场图像问题。

Jul, 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

基于可调焦液体透镜和深度强化学习算法的视频自动对焦方法，改善了手持实时高光谱成像系统的焦深度限制，提高了手术中高光谱成像技术的可用性和效果。

Jul, 2023