本研究解决了结构光显微镜重建中传统算法对光照模式估计不准确导致人工伪影的问题。提出的光场感知结构光显微镜重建方法（AL-SIM）通过直接估计实际光场来修正数据分布变化带来的错误。实验结果显示，该方法在减少重建伪影和提高精确度方面具有显著效果，促进了该技术在复杂生物系统中的应用。

本研究针对基于SDF的差异渲染框架进行了重新审视，提出了一种新的外观模型重构方式，能够在加速计算的同时提升性能。研究结果显示，该方法在对不同数据集进行三维形状重建时，既提高了图像和表面质量的指标，也实现了显著的训练加速和实时渲染效果。

本研究提出了一种新方法，通过光场几何约束实现高效分割，显著提升实时处理速度，分割效果超越现有基线模型。

本文介绍了多种高质量3D头像生成方法，包括PointAvatar、InstantAvatar和TRAvatar等。这些方法结合了神经反射场与传统模型，实现了高效、实时的头像重建与动画，提升了渲染效率和形态变换能力。新方法BakedAvatar和FlashAvatar在VR/AR和游戏应用中表现优异，能够快速生成逼真的动态头像。

本文介绍了一种新的光场超分辨率方法LFMamba，利用状态空间模型（SSM）和选择性扫描机制（S6）有效建模4D光场特征。该方法通过设计基本的SSM块，提升了空间和角度信息的学习能力，实验结果显示其在光场基准测试中表现优异，具有良好的泛化能力。

该研究提出了LFIC-DRASC深度图像压缩方法，解决了光场图像处理中的大数据量挑战。实验结果显示，该方法平均减少了20.5%的比特率。

本文介绍了基于深度学习的视图合成和图像重建方法，包括神经辐射场（NeRF）和新型神经光场模型。这些方法通过优化采样策略和引入新型网络结构，显著提升了渲染质量和计算效率，适用于复杂场景和移动设备。研究表明，这些新技术在速度、质量和资源利用方面优于现有方法。

本研究针对水下成像中光的吸收和散射等问题，提出了一种利用4-D光场的增强方法。我们构建了一个新颖的框架，通过显式和隐式深度信息的结合，实现了水下图像的增强及深度估计。研究表明，该方法在色彩校正和成像质量上优于传统的2-D RGB方法，为水下成像技术的发展提供了新的视角和数据支持。

本研究提出了一种新型光场超分辨率算法，通过多帧信息提升空间分辨率，并结合图形正则化器以简化差异估计。实验结果表明，该算法在PSNR和视觉质量上优于现有方法。此外，研究还探讨了深度估计、相机标定和三维重建等技术，展示了其在不同场景下的有效性和优势。

本文提出了一种深度学习算法，通过不规则视图网格渲染新视图，扩展光场采样理论，实现高质量实景捕捉与渲染。该算法显著减少了所需视图数量，并开发了增强现实应用，指导用户捕捉图像，实现实时虚拟探索。

Autostereoscopic display 中 Radiance Field 与 DirectL rendering paradigm 相结合，通过简化 3D 内容创作，加快渲染速度，提高视觉质量，展示 LFDs 与 Radiance Fields 之间的协同作用，揭示了商业应用潜力。

近年来，光场图像超分辨率（LFSR）技术取得显著进展。Mamba模型通过状态空间模型和选择性扫描机制，增强了长距离依赖关系的建模能力。LFMamba网络在光场特征学习中表现优异，实验结果显示其在多个数据集上超越了现有方法，具有更高的性能和效率。

本研究提出了一种暗知识蒸馏方法，通过引入高精度的暗立体知识到双像素学生网络中，超越了单眼解决方案，在视觉重建任务中表现出众。此方法还可应用于光场视频重建，具有高效、一致、参数效率高等特点。

本文使用端到端学习法解决混合镜头重建高分辨率光场图像的问题，提高峰值信噪比的同时保留光场结构。这是首个使用端到端深度学习方法解决该问题的研究。

我们建立了一个自定义的移动多相机大空间密集光场捕捉系统，为各种场景提供一系列高质量和足够密集的光场图像。我们的目标是为 IBRnet、NeRF 和 3D 高斯分解等流行的 3D 场景重建算法做出贡献。此外，我们收集的数据集比现有数据集更密集，可能激发面向空间的光场重建，与物体为中心的 3D 重建不同，从而实现沉浸式虚拟现实 / 增强现实体验。

基于物理驱动的深度学习框架用于单目深度估计，提出了一种新的方法来推导每个位置的深度，并通过规范化和改进来提高精度。实验证明该方法在多个数据集上超过了现有方法，且在KITTI深度预测基准测试中排名第一。

该论文提出了一种基于Transformers的新型LFSR公式，通过自我注意力层建立长程几何依赖关系，并利用光场的梯度图引导序列学习。在多个光场数据集上评估，表现优异，超越其他方案。

DCUNet是一种用于恢复低光条件下捕捉的光场图像的深度补偿展开网络。它使用多阶段架构和数据驱动方式模拟解决反向成像问题的优化过程。实验证明DCUNet相对于现有方法具有优越性，并且能更好地保留增强的光场图像的基本几何结构。