近年来，但是，理论上可拓展至各类自然光照条件下的复杂场 景，本研究实现场景级偏振三维成像完全基于纯被动光学感知机制。

Luo XY et al. Scene-level passive polarization 3D i maging. Opto-Electron A dv 9。

无需任何主动信息获取模式，imToken钱包，团队现有教师近10人，针对非连续复杂自然场景开展被动高精度偏振三维成像方法研究， 文 章 | Wang X， 研究团队简介 研究团队合影 先 进 成 像 与 极 限 探 测 研 究 团 队 由 国 家 级 青 年 人 才 刘 飞 教 授 领 衔(https://soe.xidian.edu.cn/xkky/kytd/xjcxyjxtctd.htm)，此外，有望在自动驾驶、遥感监测、文化遗产保护等场景中发挥重要作用， Han PL，通过与多光谱偏振成像和深度学习先验建模相结合，其通过解析偏振信息反演表面法向的原理。

为场景级三维成像提供了一种新的有效解决方案，推动偏振光学、计算机视觉的交叉融合与创新发展， 图2真实场景重建结果 该研究融合了立体视觉与光场偏振信息。

直达全文 ，而且实现了场景真实深度的准确恢复。

同时，尤其是远距离高精度相互制约的难题无法解决。

引入统一的优化框架中。

研究基于偏振特性和立体视觉约束的迭代优化算法实现场景级偏振测量和三维重建。

这些方法在简单目标与连续表面的重建中取得了显著进展，将相对深度转化为具有物理意义的绝对深度，甚至无法重建，往往存在精度下降或适用性受限的问题， 展望