提出了一种使用深度卷积神经网络对遮蔽组分进行分解，从而区分强光学效应与反射变化的方法，并在大规模实验中证明了其优越性。

Dec, 2019

该研究提出一种使用众包图像标签发现属性名称的潜在因素的方法，以捕捉属性的主要变体，从而提高基于属性的图像搜索的精度，以及用于描述视觉内容的一般任务中的广泛应用。

May, 2015

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

本文介绍了一种基于卷积神经网络的 Deep Shading 方法，通过学习示例图像生成给定像素属性的外观，模拟了屏幕空间中的各种影响，提高了交互式图像合成的视觉质量和速度。

Mar, 2016

提出了一种利用线条素描和光线方向自动生成艺术性阴影的全自动化方法，该方法生成出的阴影可以快速传达素描场景的 3D 结构，并包含有较为准确的复杂细节和艺术效果，该方法基于深度学习网络，通过构建潜在空间中的 3D 模型进行阴影数码渲染。

Feb, 2020

本研究提出了一种基于阴影引导的生成式隐式模型，该模型利用多角度光照约束对 3D 物体进行建模，使得在不同光照条件下产生逼真的渲染效果，从而改善先前方法在表达精确 3D 形状方面的局限性，并成功应用于图像重照和 3D 形状重建任务。

Oct, 2021

本研究提出一种用于预测对象视觉属性的大规模数据集，通过多标签分类解决对象属性预测问题，并采用多种技术来解决大量属性、标签稀疏性、数据不平衡和对象遮挡等问题，其中包括使用低级和高级 CNN 特征、多跳关注、重新加权和重新抽样技术、负标签扩展和监督属性感知对比学习算法，并取得了超过现有技术水平的 3.7 mAP 和 5.7 F1 值的改进。

Jun, 2021

从单个图像中推断对象着色的树结构表示，通过使用遮蔽树表示结合基本遮蔽节点和合成方法，分解对象表面着色，使不熟悉物理着色过程的初学者能以高效直观的方式编辑对象着色，该方法通过混合方法解决了离散树结构和树节点的连续参数的推断问题，并通过优化算法对推断的遮蔽树进行微调，研究结果适用于材料编辑，矢量化着色和重照等下游应用。

Sep, 2023

本文提出了一种新颖的无监督内在图像分解框架，不依赖于标记的训练数据和手工制作的先验。通过探索反射和阴影之间的独立性、域不变内容约束和物理约束，直接从无监督和不相关的数据中学习反射和阴影的潜在特征。在合成和实际图像数据集上的广泛实验表明，所提出的方法具有一致的卓越性能。

Nov, 2019

介绍了 SynShadow，这是一个新的大规模合成阴影 / 无阴影 / 亚光图像三元组数据集及其产生方法：通过对物理接地阴影照明模型的扩展，利用透明图像、亚光图像和阴影衰减参数的任意组合来合成阴影图像，并展示了在一些具有挑战性的基准测试上，使用该数据集支持训练的阴影去除模型的优异表现以及简单微调自 SynShadow 预训练模型的改进效果，并且提供了公开的代码

Jan, 2021