Light field cameras are considered to have many potential applications since angular and spatial information is captured simultaneously. However, the limited spatial resolution has brought lots of difficulties in developing related applications and becomes the main bottleneck of light field cameras. In this paper, a learning-based method using residual convolutional networks is proposed to reconstruct light fields with higher spatial resolution. The view images in one light field are first grouped into different image stacks with consistent sub-pixel offsets and fed into different network branches to implicitly learn inherent corresponding relations. The residual information in different spatial directions is then calculated from each branch and further integrated to supplement high-frequency details for the view image. Finally, a flexible solution is proposed to super-resolve entire light field images with various angular resolutions. Experimental results on synthetic and real-world datasets demonstrate that the proposed method outperforms other state-of-the-art methods by a large margin in both visual and numerical evaluations. Furthermore, the proposed method shows good performances in preserving the inherent epipolar property in light field images.

Vehicle re-identification (vehicle ReID) is designed to recognize all instances of a specific vehicle across various camera viewpoints, facing significant challenges such as high similarity among different vehicles from the same viewpoint and substantial variance for the same vehicle across different viewpoints. In this paper, we introduce the RAND network, which is equipped with relation attention mechanisms, nuance, and disparity masks to tackle these issues effectively. The disparity mask specifically targets the automatic suppression of irrelevant foreground and background noise, while the nuance mask reveals less obvious, sub-discriminative regions to enhance the overall feature robustness. Additionally, our relation attention module, which incorporates an advanced transformer architecture, significantly reduces intra-class distances, thereby improving the accuracy of vehicle identification across diverse viewpoints. The performance of our approach has been thoroughly evaluated on widely recognized datasets such as VeRi-776 and VehicleID, where it demonstrates superior effectiveness and competes robustly with other leading methods.

Per-view disparity estimation for light field (LF) is critical for various applications such as light field editing, but previous work mostly focuses on estimating disparity for the center view. In this paper, we propose a view-guided cost volume (VGCV), which successfully generates high-quality disparity maps for LF arbitrary view. Unlike previous methods that construct a static cost for center view only, VGCV is designed with view information and can be applicable to arbitrary-view estimation. In particular, since the key to achieving it is to condition cost on view, we extend previous static cost to a conditional one by introducing the spatial and angular information of target view into cost construction and aggregation, experiments show that this way can effectively adapt VGCV to arbitrary-view task. For construction, previous stereo-matching methods usually adopt correlation (e.g., variance) for dynamic estimation, but just using correlation can lose image structure information, which is essential for scene detail recovery, therefore we design an image-guided construction module and use cross-view attention to adapt cost for conditional construction while keeping its spatial information. Then for aggregation, we present a coordinate-guided aggregation module for VGCV regularization, which is specially designed to solve the problem of LF view deviation. Finally, we implement a Light Field Arbitrary-View Disparity Estimation Network (LFAVNet), then perform it on both synthetic and real LFs. Experiments demonstrate that LFAVNet can generate a higher-quality disparity map for arbitrary view in LF. We also extend our method to center-view estimation and light field editing tasks, which all achieve advanced performance.

With the load center’s continuous expansion and development of the AC power grid’s scale and construction, the recipient grid under the multi-feed DC environment is facing severe challenges of DC commutation failure and bipolar blocking due to the high strength of AC-DC coupling and the low level of system inertia, which brings many complexities and uncertainties to economic scheduling. In addition, the large-scale grid integration of wind power, photovoltaic, and other intermittent energy sources makes the ultra-high-voltage (UHV) DC channel operation state randomized. The deterministic scenario-based timing power simulation is no longer suitable for the current complex and changeable grid operation state. In this paper, we first start with the description and analysis of the uncertainty in renewable energy (RE) sources, such as wind and solar, and reconstruct the time-sequence power model by using the stochastic differential equation model. Then, a carbon emission trading cost (CET) model is constructed based on the CET mechanism, and the two-stage locating and capacity optimization model for the UHV DC receiving end is proposed under the constraint of dispatch safety and stability. Among them, the first stage starts with the objective of maximizing the carrying capacity of the UHV DC receiving end grid; the second stage checks its dynamic safety under the basic and fault modes according to the results of the first stage and corrects the drop point and capacity of the UHV DC line with the objective of achieving safe and stable UHV DC operation at the lowest economic investment. In addition, the two-stage model innovatively proposes UHV DC relative inertia constraints, peak adjustment margin constraints, transient voltage support constraints under commutation failure conditions, and frequency support constraints under a DC blocking state. In addition, to address the problem that the probabilistic constraints of the scheduling model are difficult to solve, the discrete step-size transformation and convolution sequence operation methods are proposed to transform the chance-constrained planning into mixed-integer linear planning for solving. Finally, the proposed model is validated with a UHV DC channel in 2023, and the results confirm the feasibility and effectiveness of the model.