光场相机作为一种新型的成像系统，可以直接从一次曝光的图像中得到三维信息。为了能够更充分有效地利用光场数据包含的角度和位置信息，完成更加精准的场景深度计算，从而提升光场相机的三维重建的精度，需要实现精确的几何建模，并精确标定其模型参数。该方法从薄透镜模型和小孔成像模型出发，将主透镜建模为薄透镜模型，将微透镜建模为小孔成像模型，结合光场相机双平面模型，将每个提取到的特征点与其在三维空间中的射线建立联系，详细解释了内参矩阵中每个参数的物理意义，以及标定过程中初值确定的过程，并在镜头径向畸变模型的基础上进一步应用了相机镜头的切向畸变模型以及基于射线重投影误差的非线性优化方法，改进了光场相机的标定方法。实验显示，该方法的RMS射线重投影误差为0.332 mm，与经典的Dansereau标定方法相比，进行非线性优化后得到的射线重投影误差精度提升了8%。该方法详细分析的场景点与特定像素索引的推导过程对光场相机的标定具有重要的研究意义，为光场相机光学模型的建立与初始化标定奠定了基础。

由于低信噪比的小样本太赫兹光谱的可区分性特征提取困难和样本量过少带来的深度学习模型自身的过拟合问题，将太赫兹光谱与深度学习相结合应用于心肌淀粉样变检测仍面临挑战。本文提出了一种基于多模块顺序级联的分类模型，用于心肌淀粉样变在算法层面的实时检测。首先，采集了少量的低信噪比太赫兹光谱并对其进行预处理。其次，构建了一个基于卷积降噪自编码器、多尺度特征提取模块、密集连接模块的深度学习模型。最后，通过五折交叉验证策略进行病变预测，以获得稳定、可靠的结果。 10次独立重复实验和对比实验结果表明，该方法能对含噪光谱进行准确、稳定的分类，且其综合指标更优。不同样本量下的实验表明，本方法对样本量变化具有适应性：数据量为100时可达到95%的准确率；数据量仅为20时，该模型仍能取得70%的准确率。该项工作对心肌淀粉样变的实时、高效、安全诊断具有重要意义。

A solid-state green-light-emitting upconversion coherent random laser was realized by pumping macroporous erbium-doped lithium niobate with a 980 nm laser. The lasing threshold was determined to be about 40 kW/cm2. Above the threshold, the emission intensity increased sharply with the increasing pump intensity. Moreover, a narrow multi-peaks structure was observed in the green-light-emission band, and the positions of lasing lines were various at different angles. The results were the direct evidences of coherent random lasing emission from macroporous erbium-doped lithium niobate. These phenomena were attributed to the coexistence of upconversion emission and a multiple scattering feedback mechanism.