本文提出了一种新颖的 RGB-D 传感器深度超分辨率方法，该方法通过高分辨率光度线索澄清深度超分辨率，并对未校正的光度立体进行低分辨率深度线索的澄清。使用变分方法处理 RGB-D 序列，并通过新的 PDE 光度立体正则化器隐式地保持了表面的规则性。实验表明，该方法能够在无需任何特殊先验知识或材料校准的情况下，在现实世界的环境中拍摄高质量的深度图像。

Aug, 2017

本文提出了一种新的深度图像超分辨率方法，利用移动手机和 Lucid Helios 采集的配对 LR 和 HR 深度图构建了一个名为 RGB-D-D 的大规模数据集，并提供了一个快速深度图超分辨率（FDSR）基准线，与现有公共数据集上的基准方法相比，我们的网络在效果和效率上都有很大的提升，并且可以处理真实世界中的 LR 深度图以产生更准确，清晰的边界，并在一定程度上修正深度值错误。

Apr, 2021

本研究提出了一种基于多视角立体网络、光谱反射率、深度学习的方法，旨在从六幅图像中重建物体的高质量几何结构和空间变化的 BRDF，通过最小化光度误差优化多视角反射率网络的潜在空间，成功地实现了从稀疏数据中重建出高质量的物体，进而渲染出真实的图像。

Mar, 2020

本文提出了一种基于深度学习的非 Lambert 场景无标定光度立体方法，该方法相对于之前依赖于特定反射率和光源分布假设的方法，能够确定未知任意反射率下观察未知变化光照方向的场景的形状和光源方向，通过两阶段的深度学习架构 SDPS-Net 来实现。 对合成和实际数据集的实验表明，我们提出的方法明显优于先前的非标定光度立体方法。

Mar, 2019

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

本篇论文提出了一种基于子像素卷积层和翻转增强层的高分辨率自监督单目深度估计方法，在公共 KITTI 基准测试中取得了目前最好表现。

Oct, 2018

本文针对使用结构光技术获取的深度图进行提高分辨率的问题，通过修改 FDSR 和 DKN 两个深度学习模型以适应高分辨率数据，并实施数据预处理技术进行稳定训练。在我们自定义的 1200 个 3D 扫描数据集上对模型进行训练，并使用定性和定量评估指标对实现的高分辨率深度图进行评估。通过首先对高分辨率深度图进行下采样，对低分辨率数据进行各种处理步骤，然后上采样深度图或通过更便宜的设备提高低分辨率捕获的点云的分辨率，实现了深度图上采样的方法具有减少处理时间的好处。实验表明，FDSR 模型在处理时间上表现优异，适用于在速度至关重要的应用；而 DKN 模型提供了更高精度的结果，适合优先考虑准确性的应用。

Nov, 2023

在这篇论文中，我们提出了一种基于光度立体技术的轻量级策略，仅需要稀疏输入或单个图像即可恢复近场光下高保真度的面部形态。通过构建包含 84 个不同主题和 29 种表情的数据集，我们提出了一个专门设计用于光度立体基于 3D 面部重建的新型神经网络。广泛的实验和比较表明，我们的方法可以生成高质量的重建结果。

Mar, 2020

本文旨在解决在未知物体形状、物体反射率和光照方向的情况下进行三维物体重建的任务，提出了一种新的利用神经反演渲染和渐进式反射率基础来解决未标定光度测量问题的方法。该方法在真实世界数据集上表现出最先进的精度。

Jul, 2022

该论文提出了一种新的单次多光谱深度重建方法，使用 RGB 相机和投影仪，利用单个彩色点图像实现深度重建和空间变化颜色照明的多光谱反射重建，文中介绍了网络架构，并通过实验表明该方法优于现有单次多光谱反射重建方法和深度重建方法的组合。

Apr, 2022