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

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

本文提出了一种基于多视角真实图像训练的无监督方法，将物体外观分解为高光、阴影和漫反射层，使用局部颜色分布的图像表示进行训练，在高亮度分离和内在图像分解两种任务上取得了最新的成果。

Nov, 2019

本文提出了使用激光雷达强度信息来实现无监督内在图像分解的方法。通过设计强度一致性损失和强度密集化模块，我们成功克服了传统无监督学习方法所面临的挑战，并取得了比传统方法更好的结果。

Mar, 2023

本文提出了使用解释输入图像的方法来学习内在图像分解，在单个图像上执行反射、形状和光照条件的预测。该网络利用无监督重建误差信号来提高中间表示的质量，使得大规模未标记数据在训练中有用，并且能够将所学知识应用于不同的对象类别、光照条件和形状的图像上。实验结果表明，该方法对内在图像分解和知识传递均表现出色。

Nov, 2017

本研究通过将问题分解成两个部分来实现高分辨率的内部分解，首先使用平移和尺度不变损失设计了一种密集的序数阴影公式，然后结合低分辨率和高分辨率的序数估计利用第二个网络生成具有全局连贯性和局部细节的阴影估计，最后通过多光照数据和预测的模型生成密集的伪地面真值来定量和定性分析我们的预测内部成分，并展示了我们估计的实际应用性。

Nov, 2023

该研究提出了一种基于机器学习的单幅图像固有分解方法，采用 siamese 训练方案进行深度卷积神经网络的训练，实现未标注图像的分解，同时提供了新的渲染数据集和评价指标。

Mar, 2018

利用只有图像而没有轻剑测距仪强度的方法，实现了与使用图像和轻剑测距仪强度相当的无监督本质图像分解质量。

Mar, 2024

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

本文提出了一种名为 Spectral MVIR 的多视角逆向渲染 (MVIR) 方法，可以使用标准 RGB 相机和低成本的照明设备，联合重构物体表面每个点的 3D 形状和光谱反射率。该方法不需要昂贵的特殊设备和繁琐的几何校准，实验结果表明，该方法能够获得具有准确光谱反射率性质的高质量 3D 模型。

Apr, 2021