本论文提出了一种使用基于物理的渲染来分解场景并产生具有 BRDF 材料属性的可重光纹理网格的方法，可适用于不同光照条件下获取的图像，实验证明该方法能够从图像集合中获得高质量的可重光 3D 资源。

Dec, 2020

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

我们的研究引入了一种将重照和内在分解相结合的方法，通过利用场景中的光变化生成伪标签，为内在分解提供指导，同时确保对不同场景类型的稳健性，并减少对预训练模型或手工先验的依赖。我们在合成和真实世界数据集上验证了我们的方法，并取得了令人信服的结果。此外，我们的方法在图像编辑任务中的适用性显示出了有希望的结果。

Jun, 2024

本文提出了一种基于数据驱动的方法，用于分解内在图像，通过训练模型预测图像片段之间的相对反射顺序并将其应用于能量最小化框架，以获得更好的效果。

Oct, 2015

本文提出了一种创新的两阶段方法，用于从稀疏视图图像重建人脸，该任务由于每个个体的独特几何和复杂皮肤反射而具有挑战性。我们的方法专注于从环境光中分解关键的面部属性，包括几何、漫反射和镜面反射。开始时，我们从多样化的个体脸部图像集创建一个通用的面部模板，捕捉关键的几何和反射特征。在第二阶段，我们在该模板的指导下对每个具体的人脸模型进行细化，进一步考虑几何和反射之间的相互作用，以及对面部皮肤的次表面散射效应。我们的方法能够从仅有的三幅图像中重建出高质量的面部表示，提供了改进的几何准确性和反射细节。通过全面的评估和比较，我们的方法表现出优越性，有效解离几何和反射成分，提高了合成新视图的质量，为再照明和反射编辑等应用开辟了可能。我们将代码公开可用。

Dec, 2023

本文提出了一种自适应景观识别方法，该方法使用 RGB 和深度图像之间的自监督转换，以解决多模态数据集之间的领域转移问题，并证明其在不同相机采集的数据之间具有很强的泛化能力。

Mar, 2021

通过利用消费者 RGB-D 扫描仪自带的 IR Projector 和 IR 图片，本研究提出了一种新的遮蔽形状框架来增强精度，并在实时环境下重建深度图，该方法在 Lambertian 对象中表现良好，在综合光滑和反射表面的情况下也取得了最先进的深度重建效果。

Nov, 2015

本文提出了一种新方法，通过使用点光源的移动手持捕捉系统，联合恢复无法被固定采集设备捕获的超物体尺度的三维场景的相机姿势，对象几何和空间变化双向反射分布函数，并引入分布式优化算法进行重构

Jun, 2023

本文提出了一种新颖的深度学习框架，用于对场景相关的相机内图像处理进行建模，通过多尺度金字塔学习直方图层将全局和局部场景上下文结合到像素特征中，该方法可以精确地建模在自动模式下不同相机的成像管道，并应用于改善图像去模糊的性能。

Jul, 2017

本研究探索了使用光度学技术（阴影形状和非标定光度立体）将 RGB-D 传感器的低分辨率深度图上采样到伴随的 RGB 图像的高分辨率。首先提出了一种有效的单次变分方法，而这依赖于目标的反射率是分段常数。随后，展示了这个依赖特定反射模型的限制可以通过关注特定类别的对象（例如面部），并将反射率估计委托给深度神经网络来缓解。最后讨论了一种基于随机变化光照条件的多次采集策略。这不需要反射率的培训或先前知识，但其代价是专用采集设置。通过定量和定性评估，证明了所提出方法在合成和真实场景中的有效性。

Sep, 2018