Actualmente, los campos de luz desempeñan roles importantes en la industria, incluyendo en el mapeo 3D, la realidad virtual y otros campos. Sin embargo, como un tipo de datos de alta latitud, las imágenes de campo de luz son difíciles de adquirir y almacenar. Por lo tanto, el estudio de la superresolución de campos de luz es de gran importancia. Comparadas con las imágenes planas 2D tradicionales, las imágenes de campo de luz 4D contienen información desde diferentes ángulos en la escena, por lo que la superresolución de imágenes de campo de luz debe realizarse no solo en el dominio espacial sino también en el dominio angular. En los primeros días de la investigación de superresolución de campos de luz, muchas soluciones para superresolución de imágenes 2D, como modelos gaussianos y representaciones dispersas, también se utilizaron en la superresolución de campos de luz. Con el desarrollo del aprendizaje profundo, las soluciones de superresolución de imágenes de campo de luz basadas en técnicas de aprendizaje profundo se están volviendo cada vez más comunes y están reemplazando gradualmente los métodos tradicionales. En este documento, se esboza y discute la investigación actual sobre imágenes de campo de luz de superresolución, incluyendo métodos tradicionales y métodos basados en aprendizaje profundo, por separado. Este documento también enumera conjuntos de datos disponibles públicamente y compara el rendimiento de varios métodos en estos conjuntos de datos, así como analiza la importancia de la investigación de superresolución de campos de luz y su desarrollo futuro.