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。

本文介绍了一种名为LF-InterNet的光场图像超分辨率方法，通过特征交互融合空间和角度信息，显著提高了图像细节恢复效果。该方法在低计算成本下，PSNR和SSIM评分均优于现有技术，实验结果显示其在保持视差结构和提高峰值信噪比方面表现出色。

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。

本论文介绍了一种新颖的深度补偿展开网络（DCUNet），用于恢复低光条件下捕捉的光场图像。DCUNet采用多阶段架构模拟解决反向成像问题的优化过程，并利用中间增强结果估计光照图。每个优化阶段都包括内容相关的深度补偿模块，用于抑制噪声和光照图估计误差。此外，论文提出了伪显式特征交互模块，充分利用光场图像中的冗余信息。实验结果定性定量地证明了DCUNet相对于现有方法的优越性，并更好地保留了增强的光场图像的基本几何结构。代码将在指定URL公开。