通过拍摄来自不同视角的 3D 点的表征，利用投影卷积神经网络架构来学习物质感知描述符，从而实现物质感知的 3D 形状分析，并且通过众包的方式构建了一个 3D 形状数据集，证明了其学习描述符在自动纹理、物质感知检索和物理模拟中的有效性。

Oct, 2018

本文介绍了一个新的、大规模、开放的野外材料数据库（Materials in Context Database，MINC），并结合深度学习，在野外图像中实现材料识别和分割。使用 MINC，我们训练了卷积神经网络（CNN）进行两个任务：对补丁分类的材料分类和在完整图像中同时进行材料识别和分割。通过在 MINC 上进行补丁分类，我们发现表现最好的 CNN 架构可以实现 85.2% 的平均分类准确度。我们将这些训练好的 CNN 分类器转换为高效的完全卷积框架，再结合完全连接的条件随机场（CRF）来预测图像中每个像素的材料，达到 73.1% 的平均分类准确度。我们的实验表明，在野外材料识别和分割中，拥有一个大型的、经过充分采样的数据集（如 MINC）至关重要。

Dec, 2014

采用微小角度变化捕获增加特征表达的差分角成像，在 GTOS 数据库上使用 TEAN 进行地面材料识别，其识别性能优于单视角和多视角性能。

Sep, 2020

该论文提出了一种基于微小角度变化的差分角成像技术的材料识别新方法，结合已有的丰富辐射特征和灵活的图像捕捉，在创建了一个大规模真实场景数据库 GTOS 的基础上，成功训练出一种叫做 DAIN 的网络，所得到的材料识别性能优于单视图或粗略量化的多视图图像识别方法。

Dec, 2016

使用摄影测量学、三维模型、模式识别、表面表示和文化遗产，提出了一种新的基于映射的文化遗产设计和制作方法。

Dec, 2023

本研究提出了一种基于学习的方法，使用微观几何外观作为主要线索，从材料的单个漫反射图像中恢复法线、高光和粗糙度，并展示了我们的方法的性能表现。

May, 2023

介绍了一个新的光场数据集，并利用深度学习在 4D 光场上进行材料识别。实验中，最佳表现的 CNN 架构相比 2D 图像分类提高了 7％（从 70％到 77％），这些结果构成了对 CNN 应用于光场应用的重要基线。

Aug, 2016

研究利用多尺度编码过程中的规模信息，将特征学习用于材料识别，结果表明我们的所学特征优于手工描述符。

Aug, 2014

本文提出了一种能够分离图像中材质相似区域的方法，并在合成图像数据集中进行了验证，证明了其在实际应用中的有效性，可用于材质编辑、视频中的选择和检索具有相似材质的物体照片。

May, 2023

本文提出了一种在二维法线领域中提取新的法线特征表示作为微几何结构携带者的高效表面细节处理框架，该框架具有细节可分离性、细节可传递性和细节幂等性，应用于几何表面细节处理中，包括几何纹理合成、几何细节传输和三维表面超分辨率，可以高效地提取高清晰度 3D 视觉应用的表面细节。

Jul, 2023