构建了一种基于自监督的框架，该框架从单目立体内窥镜视频中提取多视图图像，利用图像中的底层三维（3D）信息构建对象的几何约束，实现软组织结构的准确重建。基于分割任意场景模型对内窥镜下的动态手术器械、静态腹腔场景及可形变软组织结构进行分割解耦。该框架利用简单的神经网络多层感知机来表示动态神经辐射场（NeRF）中运动手术器械和形变软组织结构，基于偏斜熵损失对手术场景中的手术器械、腔体场景和软组织结构进行正确分离。在通过使用单目立体内窥镜捕获机器人手术模拟器场景的数据集上，将所提方法的结果与其他方法进行定量定性比较。结果表明本文方法在处理腹腔体场景、软组织结构重建、手术器械的分割解耦，以及来自多视点的3D信息和运动对象的图像分割等方面显著优于当前的方法。

相比传统的三维重建方法，神经辐射场（NeRF）在隐式三维重建方面显示出了优异的性能，然而简单的多层感知机（MLP）模型在采样过程中缺乏局部信息，产生细节模糊的三维重建场景。为解决这一问题，提出一种基于MLP的多特征联合学习方法。首先，在NeRF嵌入层和采样层之间构造多特征联合学习（MFJL）模块，有效解码输入的多视图编码数据，补充MLP模型缺失的局部特征信息。然后，在NeRF采样层和推理层之间建立门控通道变换多层感知机（GCT-MLP）模块，学习高阶特征交互关系，并控制反馈给MLP层的信息流，实现对歧义特征的选择。实验结果表明：所提基于改进MLP的神经辐射场可以避免三维重建中的视图模糊和混叠现象；在Real Forward-Facing数据集部分场景上的平均峰值信噪比（PSNR）、结构相似度（SSIM）、学习感知图像块相似度（LPIPS）分别为28.08 dB、0.887、0.061；在Realistic Synthetic 360°数据集部分场景上的PSNR、SSIM、LPIPS分别为32.75 dB、0.960、0.026；在DTU数据集部分场景上的PSNR、SSIM、LPIPS分别为25.96 dB、0.807、0.208；与NeRF相比，具有更好的视图重建性能，并且在主观视觉效果上得到更加清晰的图像和细节纹理特征。

由于数据通量限制，光场数据采集存在空间-角度分辨率折中，无法达到诸多应用场景对精细三维重建的要求。本文使用双平面参数化光场数据训练神经辐射场，由神经辐射场生成光场视点平面上新的视点图像，进而实现光场角度域超分辨。由于神经辐射场能够对光场场景进行隐式表达，为高分辨率的四维光场拟合出准确的隐式函数，并将输入变量通过位置编码映射到该变量的傅里叶特征。因此该方法可以准确表达具有复杂不利条件的光场场景，并且能够有效地解决场景高频纹理信息较难拟合的问题。本文通过超分辨光场的角度域信息突破空间-角度分辨率折中、带宽积的限制，在实验中将角度分辨率从5×5提升到9×9，并且峰值信噪比（PSNR）平均提升了13.8%，结构相似度（SSIM）平均提升了9.19%。该研究结果可为后续的光场计算成像工作提供参考。