通过新颖的多视图方法 DeepShaRM，本研究提出了一种能够在未知自然光照条件下（即野外环境）重建无纹理、非兰伯特物体几何的几何重建方法。该方法通过引入深度反射率图估计网络，从当前几何估计的表面法线和输入的多视图图像中恢复相机视角的反射率图，并明确估计每个像素的置信度来处理全局光传输效应。然后，通过深度自遮蔽网络利用恢复的反射率图更新由符号距离函数表示的几何估计，通过这两者的交替迭代，并且避开了反射率和光照分解难题，该方法能够准确恢复这些复杂环境中的物体几何结构。通过对合成和真实数据的大量实验证明了该方法的准确性。

Oct, 2023

本文提出了一个两阶段学习方法，使用先验引导的无阴影和无镜面图像的约束解决了单张图像中阴影和镜面反射引起的反射层估计不准确的问题，在引入 S-Aware 网络处理阴影和镜面反射后得到了比现有方法更好的反射层估计结果。

Nov, 2022

本研究提出了一种用于光度立体图像的卷积神经网络结构，通过物理学建模的无监督学习框架，可以进行表面法线和反射率预测，并且在实际场景中达到了最先进的性能表现。

Feb, 2018

本研究利用 Diffusion Reflectance Map Network (DRMNet) 方法，从单张图片中恢复出物体的反射频谱和全频谱的光照频谱，通过学习逆向图像形成的扩散模型，展现了在合成数据集上具有最先进准确度的同时，也能在真实图像上进行泛化。

Dec, 2023

本文提出了一种基于深度多层感知器（MLP）的坐标系参数化方法，通过充分利用观察到的光度变化和表面阴影，恢复了表面形状和非兰伯特表面反射，并显式地预测投射阴影，减轻了这些遮挡区域上可能存在的估计误差。测试结果表明，该方法在真实世界图像中优于现有方法，并且由于 MLP 网络较小，相比以前基于 CNN 的方法，其速度提高了一个数量级。

Mar, 2022

本研究提出了一种基于多视角立体网络、光谱反射率、深度学习的方法，旨在从六幅图像中重建物体的高质量几何结构和空间变化的 BRDF，通过最小化光度误差优化多视角反射率网络的潜在空间，成功地实现了从稀疏数据中重建出高质量的物体，进而渲染出真实的图像。

Mar, 2020

通过将输入数据编码到频率空间来增强神经网络性能，并引入基于梯度的损失在多个阶段使用，使得这种新型神经反射模型在处理高度光泽材料时能够更好地保留镜面高光并提高细节的保留效果。我们最后还使用 Inception 模块作为解码器网络的可选扩展，以获得更精确但成本更高的性能。我们通过使用各种合成和真实示例来证明我们方法的有效性。

Jul, 2023

本文研究计算机视觉中的一个基本问题，即如何从平面图像中推断出世界的内在 3D 结构，并提出一种统计推断的优化问题，通过考虑表面光滑、颜色均匀、光照自然等先验知识，提出一种能够从单张图像中还原场景属性，包括形状、反射率和光照等的技术。该方法包含多个计算机视觉问题的超集，并优于以前所有单独问题的解决方案。

Oct, 2020

该研究提出了实时材料估计的端到端方法，使用深度卷积编码器解码器结构的图像到图像翻译技术，精确获取漫反射和镜面高光的分离，并使用新的高效感知渲染损失，使实时视频中的虚拟物体拟真融合。

Jan, 2018

该论文提出了一种深度学习方法，可以从不确定数量的拍摄的无序图片中估计材料外观，无需校准，并通过提取每张图片中的最有用的信息并从数据中学到的先验知识，处理视角和光线方向的变化，从而实现对材料的捕捉，并在单张至多张图片的输入条件下，实现与现有单张和复杂多张方法之间的完美平衡。

Jun, 2019