- 基于迭代遮挡感知的四维几何线索光场深度估计
基于非学习的优化方法，该论文提出了一种新的方法，通过明确考虑光场的 4D 几何模型，来利用 4D 几何信息进行深度估计，实验结果表明，该方法在表面法线角度精度方面优于现有的学习和非学习的方法，在平面表面上的平均中位角误差比现有方法低 26. - LF Tracy: 光场相机中显著物体检测的统一单管道方法
我们提出了一种有效的方法（LF Tracy），利用从光场相机中提取的丰富信息，并利用数据增强和信息聚合来增强显著目标检测（SOD）的性能。该方法在最新的大规模 PKU 数据集上相较于现有最先进方法取得了 23% 的改进，并且只使用了 28. - 相位引导光场三维高分辨率成像
通过采用光学投影仪投射一组单一高频相移正弦图案，我们提出了一种相导向光场算法，显著提高了现成光场相机的空间分辨率和深度分辨率。
- 基于学习的深度解缩光场重建与视差估计应用
本文介绍了一种用于提升光场相机在深度估计方面性能的深度解耦机制，并通过设计改进的特征提取器和网络结构来实现最先进的性能。此外，还设计了一种块遍历角度超分辨率策略，可在输入视图较高的内存使用情况下减少内存使用量，并具有更好的重建性能。
- 面向道路场景光场语义分割的全视孔融合
利用全景光场相机的丰富角度和空间信息提高自动驾驶领域中的图像语义分割，但角度信息过多，在智能车辆的有限硬件资源上变得压倒性。因此，提出了一种全景孔径融合模型（OAFuser），从中心视图的密集语境中获取代表性信息，并从子孔径图像中发现角度信 - 光场分解用于超分辨率和视差估计
本文介绍了一种用于轻场摄像机数据处理的卷积神经网络，利用分离机制处理空间和角度信息间的交织以实现空间分辨率的提升，角度超分辨率和视差估计。实验结果表明，该方法在所有三个任务实现了最好的表现。
- 基于光场的 Capsule Routing 人脸及表情识别技术
本文提出基于卷积神经网络和胶囊网络的新型深度人脸和表情识别解决方案 CapsField，并在第一个野外轻场（LF）对人脸数据集进行了广泛的性能评估研究，在人脸和表情识别任务的各种情况下均取得了卓越的表现。
- 基于 EPI 的定向关系网络用于光场深度估计
本文提出了一种基于全卷积网络的深度估计方法，用于通过利用光场相机获取的空间和角度信息中的几何特征，估计场景的深度图，并引入了 “定向关系模块” 帮助建立直线方向之间的关系来提高估计的精度。
- 利用可变形卷积进行光场图像超分辨率
本文提出了一种用于 Light field 图像超分辨率的变形卷积网络，该网络解决了 Light field 图像中由于角度不同导致的位移不一致问题，并通过角度变形对齐模块实现双向对中，有效地将角度信息编码到每个视图的特征中，从而提高了所有 - LiFF: 光场特征的尺度与深度
利用新的 4D 光场特征检测器和描述符 LiFF，可以检测出鲁棒的特征并估计深度，提高了 3D 重建的精度，并在运行速度方面比领先的 4D 方法快一个数量级。
- 基于 CNN 框架的各向异性视差分析光场去噪
本研究提出了基于各向异性视差分析的新型光场去噪框架，通过联合设计结构视差合成网络和视角相关的细节补偿网络，能够更好地保留视差细节，提高视觉质量。
- CVPREPINET：使用极线几何的全卷积神经网络进行光场图像深度估计
本文介绍一种基于完全卷积神经网络的快速准确光场深度估计方法，克服了光场图像深度估计中存在的一些限制，如缺乏训练数据以及方法速度与准确性之间的权衡。该方法在 HCI 4D 光场基准测试中排名第一，并在实际光场图像上展示了方法的有效性。
- 利用基于学习的混合成像系统进行光场视频捕获
本文介绍了一种基于深度神经网络的光场视频插值系统，将三帧每秒的光场图像和标准的 30 帧每秒二维视频相结合，使用流估计和外观估计生成一个完整的光场视频，使得消费级光场摄影和诸如聚焦和视差视图的应用首次可用于视频。
- 基于图形正则化的光场超分辨率
本研究提出了一种新的光场超分辨率算法，采用多帧方法，使用不同光场视图中的信息来增强整个光场的空间分辨率，结合图形正则化器通过非局部自相似性来避免各个视图昂贵且具挑战性的差异估计步骤。实验表明，本算法在 PSNR 和视觉质量方面都与其他光场超 - 基于学习的光场相机视角合成
本文提出了一种新的基于机器学习的方法用于从稀疏的视角图像中合成新的视角图像，该方法使用了两个 CNN 来分别对视差和颜色进行估计，并通过最小化合成图像与标准图像之间的误差来同时训练两个网络。实验结果表明该方法能够合成出高质量的图像并优于现有