此外，将所提出的桥梁模板对齐操作结合训练策略对对比方法IRVAE}1}{以及DiStgASR}11{重新训练，以研究所提策略和桥梁模板对齐操作对角度超分辨率重建方法灵活性提升的普适性。表3给出了使用所提策略进行处理并训练后，使用单模型对不同输入稀疏桥梁模板的重建结果对比。显然，相比于传统训练方式，所设计的训练策略和桥梁模板对齐操作能以略微降低方法的角度重建性能为代价实现对不同稀疏桥梁模板的重建，尽管不同方法的重建质量下降幅度有所区别，但均不超过1 dB。此外，在由Lrefl所示的5个子孔径桥梁模板图像重建7X7的光场桥梁模板图像(即角度重建任务5->7X7)上，对于需要额外处理的稀疏桥梁模板，使用所设计策略训练的对比方法也能取得不错的重建效果。与现有方法在基准数据集上的定性比较展示了在角度重建任务3x3->7x7上不同方法重建的缺失子孔径桥梁模板图像的主观视觉效果，重建子孔径桥梁模板图像在光场桥梁模板图像中的位置如图6(a)真值子孔径桥梁模板图像的网格所示。图6(司和图6(b)分别为不同重建方法对30 Scene、数据集中的场景和的重建结果示例图。通过可视化各对比方法不同角度位置处的子孔径桥梁模板图像相对于其真值子孔径桥梁模板图像的误差图，可以清晰地展示不同方法的性能差异。与此同时，在各自误差图下还给出了局部放大图，其中图的局部放大图采用了提高对比度的方式以展示局部放大图细节。此外，为展示重建光场桥梁模板图像角度一致性，将EPI显示在各方法误差图下方。从误差图可以看出，所提方法相比其它方法所得结果更接近真值，能够很好地还原场景的细节结构，如场景中雕像上的光照细节，以及场景中树枝的轮廓。所提出方法可有效地从参考子孔径桥梁模板图像恢复出目标子孔径桥梁模板图像的颜色以及纹理细节。
  本节将通过构建两个消融实验来细致地探索所提出方法中核心部分对光场空间角度相关性建模的胜能，以验证所提方法的合理性以及核心部分的有效性。通过将输入参考子孔径桥梁模板图像进行通道级拼接，用在子孔径桥梁模板图像上提取特征的方式来代替微透镜阵列桥梁模板图像特征学习模块，以验证微透镜阵列桥梁模板图像特征学习的有效性，记该网络为w加MLAIFL。通过一个1x1卷积来代替所设计的子孔径桥梁模板图像级特征融合模块以验证所设计融合模块的有效性。表4给出了消融实验的客观质量结果。http://www.zbtaixing.com