自主学习的空间变异 PSF 估计对于能够察觉像差的由视角焦深度提供帮助
内容提要
本文综述了基于焦点线索的深度估计与全焦图像恢复研究，涵盖自监督DFD框架、PSF感知去像差网络、两步光学像差校正、领域不变虚焦模糊监督、无监督PSF卷积深度估计、共享网络联合估计、DDFFNet端到端方法、AR-GANs生成、相位掩膜扩展景深及变分优化方法。
延伸解读
从有监督到自监督：DFD 方法的演进
文章梳理的 DFD 研究显示，早期方法多依赖有监督学习，需要真实深度或全焦图像作为标签。2020 年后，自监督与无监督方法逐渐成为主流，例如利用领域不变的虚焦模糊作为直接监督，或基于 PSF 卷积层进行无监督深度估计。这种转变降低了对昂贵标注数据的依赖，使模型在合成与真实场景间的泛化能力得到提升，也呼应了标题中“自主学习”与“空间变异 PSF 估计”的结合。
光学像差校正：从专用网络到即插即用
针对像差问题，文章列举了多种校正思路：PSF 感知的即插即用网络引入特定镜头的深度先验，两步方案先估计局部高斯模糊核再去除横向色差，相位掩膜则通过改变光圈平面 PSF 来扩展景深。这些方法表明，像差校正正从单一模型向通用、灵活、可组合的方向发展，但实际效果仍受镜头特性与数据分布影响，读者需关注其适用边界。
深度与全焦图像的联合估计趋势
多个工作尝试同时输出深度图和全焦图像，例如共享网络结构利用两者关系进行联合训练，DDFFNet 则用光场相机采集更大规模数据实现端到端学习。联合估计能提升推理效率与一致性，但依赖特定采集设备或训练策略。对读者而言，这意味着选择方法时需权衡数据获取成本、场景覆盖度与部署复杂度，而非仅看单一指标。
Q&A
什么是基于稀疏焦距堆栈的自监督DFD框架？
该框架无需深度或全焦图像作为基础，利用神经模型预测深度和全焦图像，并利用光学模型验证和精化预测。
PSF感知的即插即用深度网络如何校正光学像差？
通过引入特定镜头的深度先验知识，消除光学像差，实现通用且灵活的光学像差校正，具有高效性能。
如何解决深度估计方法在训练场景外的泛化能力问题？
使用领域不变的虚焦模糊作为直接监督，并利用置换不变卷积神经网络利用虚焦提示，通过不同焦点的图像差异训练模型，从而在合成和真实数据集上取得令人信服的泛化结果和最先进的深度预测。
无监督学习深度估计方法在哪些数据集上表现优异？
基于点扩散函数卷积层的无监督学习深度估计方法在多个数据集上优于其他无监督方法，并与KITTI和Make3D数据集中的监督方法效果相当，且与数据集无关。
DDFFNet是什么？它取得了什么成果？
DDFFNet是一种端到端的学习方法，基于深度神经网络，利用配备共校准RGB-D传感器的光场相机进行数据采集，数据集比既有基准大25倍，用于解决Depth from focus逆问题，在所有场景中取得了最先进的性能。
如何通过相位掩膜扩展双目成像的景深？
在双目成像系统的光圈平面引入相位掩膜，创造深度相关的点扩展函数，克服传统立体成像中成像体积和信噪比之间的基本折衷，获得显著的扩展景深和更清晰的图像纹理，成像体积提高约6倍。
