利用位移场构建深度连续场景表示，实现鲁棒光场深度估计

基于摘要分析。该研究针对光场（LF）深度估计中既有深度学习方法主要建模表面深度、未充分利用三维场景深度连续性的问题，提出基于 displacement field（DF，位移场）的深度连续场景表示，并构建网络 DepthDF。研究对象是利用场景空间与角度信息进行视觉深度估计，并非 EEG 或 BCI 信号建模。 机制上，作者受三维物体描述中 signed distance field 的启发，用 DF 描述场景的深度连续属性，再通过一个通用学习框架学习深度连续场景嵌入。摘要称既有 LF 深度估计方法也可集成到该框架，但 DF 的精确定义、查询与监督方式、损失函数、网络结构及集成接口尚未验证，不能将其等同于直接采用 signed distance field。 作者报告，DepthDF 在合成与真实 LF 数据集上达到当时最优表现，并在 HCI 4D Light Field benchmark 排名第 1，同时能够以更少参数和更快速度生成细节丰富的深度图。摘要未提供相应数据划分、评估指标、比较基线、参数量或测速条件，因此这些结论的协议背景与收益幅度尚待核对。作者还报告，将该表示扩展到 multi-view stereo depth inference、LF super-resolution 和 LF salient object detection 后，相关任务性能有所提升；实验协议、消融及统计信息尚未验证。 该方法依赖多视角几何与场景深度连续结构，摘要未建立其与 EEG 时序、跨被试差异或通道结构之间的具体对应关系，因此不能据此推断 BCI 收益，也不宜直接生成 EEG 复现实验方案。已有 EEG 相关工作尚未检索确认。复现原研究需进一步核对 DF 的构造、训练监督、数据与划分、基线配置及效率测量条件。