自监督光场超分网络

无需退化模型

它通过混合光场成像原型和自监督框架，首次让实拍光场相机能重建出比原始采集更高的空间分辨率，绕过了传统监督方法对预定义退化模型的依赖。

Lei, Jianxin · Dongze, Wu · Cheng-Cai, Xu · 顾洪成 · 周光泉 · 侯军辉 · 周平

IEEE Transactions on Computational Imaging 2026

技术优势

无需预定义退化模型

通过自监督学习，模型可以直接从实拍数据中学习，不需要人工假设图像如何退化，因此避免了训练与推理之间的域差距。

实拍数据显著优于现有方法

在真实世界数据集上，该方法重建更高分辨率光场图像的效果显著优于现有方法，证明了其在手持光场相机实际应用中的价值。

保护视差结构

通过外极平面图像梯度损失约束反向退化网络，在提升分辨率的同时保持光场的视差结构，避免重建结果失真。

应用场景

• 光场成像增强：光场相机用户可直接提升实拍图像分辨率，无需额外硬件改造。
• 手持光场相机画质提升：让手持设备突破传感器限制，输出更清晰的光场图像用于后续处理。
• 工业视觉高分辨率重建：工业检测可在不更换相机的情况下获得更高分辨率的光场数据，提升缺陷识别精度。
• 机器人视觉感知：机器人视觉系统可获得更清晰的光场信息，增强深度估计和场景理解能力。