提出了一种混合深度成像系统，利用极化相机辅以标准数字相机的第二张图像，通过立体提示结构，使用高阶图模型实现去混淆极化表面法线估计，并利用先前的极化成形方法扩展至透视情况，从而计算稠密详细的绝对深度图。

Mar, 2019

利用极化信息的监督学习方法以及借助物理特性的自监督学习方法取得重要进展，通过利用极化光的几何信息和引入形状先验知识和可逆物理约束来提高姿态估计的准确性。

Aug, 2023

使用偏振相机和相对深度信息作为先验，通过全偏振信息提出一种在线重建方法，使稀疏的深度值能沿着等深度线传播，并在具有贫纹理特性的区域中提高深度图的密度和准确度。

Feb, 2021

该研究论文提出了一种针对服装人体的三维形状估计方法，通过使用极化图像捕获几何线索来重构人体表面法线图，并采用深度学习模型将其转化为 3D 人体形态估计，其结果表明极化相机对于人体形态估计是一种有前途的替代方法。

Jul, 2020

本文提出了一种高效的原则性变分方法来进行低限制的反射光照下未校准的 Photometric Stereo 技术，其中近似于通过球形谐波展开的兰伯特反射模型，通过单个变分问题来联合恢复形状，反射和光照。

Apr, 2019

本文主要研究使用 LED 作为点光源时的光度立体成像问题，并提出了一种可行的校准方法和 PDE 数值解法。此方法通过交替加权最小二乘法得到了较好的结果。

Jul, 2017

本文提出了一种基于极化成像的自监督单目深度学习网络，以利用色散不敏感的极化信息，提高深度估计结果，特别是对于高光区域。

Jul, 2020

提出了一种新颖、高度实用的双目光度立体（PS）框架，其采集速度与单视图 PS 相同，但显著改善了几何估计的质量。和最近的神经多视图形状估计方法（如 NeRF、SIREN 和多视图光度立体的反向图形方法）一样，我们将形状估计任务定义为通过最小化多个变化的光照图像估计的法线的表面法线差异，以及渲染表面强度与观察图像之间的差异，学习可微表面和纹理表示。我们的方法与典型的多视图形状估计方法有两个关键区别。首先，我们的表面不是用体积表示，而是用深度神经网络计算表面上各点的高度的神经高度图来表示。其次，我们使用了学习的 BRDF 并进行了点接近场强度渲染，而不是像 Guo 等人一样预测平均强度或引入兰伯特材料假设。我们的方法在针对双目立体设置进行适应的 DiLiGenT-MV 数据集以及新的双目光度立体数据集 - LUCES-ST 上取得了最先进的性能。

Nov, 2023

本文提出了一种使用偏振线索高效获取物体形状和空间变化反射的新方法，其中偏振成像与深度学习相结合，可以在正面闪光照射下使用单视角偏振成像实现高质量估计物体形状和反射。

May, 2021

本研究提出了第一个自监督的多模态 RGB + 偏振图像的 6D 目标姿态预测方法，通过物理模型、师生知识蒸馏和逆可逆的物理约束等方式实现了稳健的几何表征和对偏振光的特征编码。通过自监督训练和物理约束，得到了准确的物体外观和几何信息，特别适用于具有挑战性纹理、反光表面和透明材料的物体。

Dec, 2023