1、模型结合了多层的信息，进行端到端的训练，以便从左视图直接生成正确的右视图。基础网络预测类似视差的概率图，然后由选择层（selection layer）以差分方式对DIBR建模，其中允许隐含的修补（inpainting）操作。
2、基于单图像的视图生成（Single-image-based view generation , SIVG）采用全卷积网络（FCN）。设计两种FCN架构。
3、第一个是基于FCN和名为DeepViewren的视图绘制网络的组合。第二个由亮度（lumi艘绒庳焰nance）和色度（chromina荏鱿胫协nce）信号的解耦网络组成，由DeepViewdec表示。采用了一个2M立体图像的大型训练数据集。DeepViewren处理速度很快，而DeepViewdec具有更高的精度。
4、编码、解码和渲染网络分别以绿色、蓝色和黄色显示。编码网络从输入图像中提取低、中和高级特征，并将它们传送到解码网络。 在解码之后，渲染网络生成概率视差图并估计右图像。 这里，使用一组平移图像（参见下面的绘制网络）。
5、softmax层将解码网络的输出归一化为疙熳阊涓信道上的概率值（Pi，i∈Ω）。 这里，信道的数量与视差范围豌溧传谴Ω= {-N，-N + 1，...，0,1，...，N}的视差数量相同。 最终右视图像R通过P与其相应平移的左图像L之间的逐像素相乘来合成。
6、DeepViewdec由两个具有相同架构的解耦网络组成，即亮度（Y）和色度（Cb，Cr）网络。 每个网络都是单独培训。每个网络中的绿色、蓝色分别定义编码和解码网络，而黄色表示RGB和YCbCr之间的颜色转换。
