使用内在图像扩散，我们提出了一种室内场景外观分解的生成模型。通过给定单个输入视图，我们对多个可能的材质解释进行采样，这些解释由反照率、粗糙度和金属性地图表示。通过引入概率形式来处理外观分解的挑战，我们利用了最近在大规模真实世界图像上训练的强大学习预测器，将其应用于材料估计，并在 PSNR 上超过了现有方法 1.5dB，在反照率预测上 FID 分数提高了 45%。通过在合成和真实世界数据集上进行实验证明了我们方法的有效性。

Dec, 2023

使用光场传感和照片逼真渲染提出了一种适用于透明物体的位姿估计算法 LIT，并引入相应数据集 ProLIT，实现了对透明物体的识别、定位和位姿估计。实验结果表明，在 ProLIT 数据集上，LIT 算法能够胜过现有的位姿估计方法。

Oct, 2019

提出了一种方法，通过逆向渲染的物理原理来约束解决方案，同时利用神经网络来增强处理的计算能力，以提高对嘈杂输入数据的鲁棒性并实现高精度的目标物体光照估计，从而在 AR 情境下实现真实感增强。

Aug, 2020

该研究利用大规模的对象固有数据库基于现有的 3D 模型建立，使用以真实环境图为基础的渲染器，训练 CNN，将图像分解为表面反照率，阴影成分以及一种额外的反射成分，结果准确且清晰，可优化计算机视觉中的经典反问题。

Dec, 2016

通过卷积神经网络技术，直接预测图像的反射率图以分解出出现的内在属性，并展示了如何通过间接方案在表面方向预测和数据插值的帮助下提高估计结果，同时引入基于真实与合成图像的全新挑战 SMASHINg 评估方法并展示了反射率图在图片编辑中的应用。

Nov, 2015

本文提出了一种从单个视角图像中估算室内场景照明的方法，该方法估算出易于编辑的参数化光源，并结合高频信息的非参数纹理，实现宏观阴影和细节表面反射的逼真渲染效果。定量和定性结果表明，该方法简化了室内照明估算过程，同时仍能产生竞争性的结果。

Nov, 2022

本文提出一种多层生成模型，通过将深度置信网与朗伯反射假设相结合，从 2D 图像中学习良好的基于 albedo 的先验。通过改变光源潜变量，可以解释照明变化，并且可以从类似对象中转移学习，从单个图像中估计 albedo 和表面法矢量。实验证明，该模型在一次人脸识别中具有广泛的适应性和改进。

Jun, 2012

我们提出了一种新的方法来进行野外单视图人脸重照。我们使用条件扩散隐式模型 (DDIM) 解码一个解离的光编码与 3D 形状和面部身份相关的其他编码，以达到最先进的性能，能够在标准基准数据集 Multi-PIE 上进行光照效果的真实再现。

Apr, 2023

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

该研究旨在通过生成模型和扩散模型来恢复从 RGB 图像中的物体材料，并通过粗糙到精细的训练策略来提高稳定性和准确性。

Apr, 2024