该论文提出了一种深度学习方法，可以从不确定数量的拍摄的无序图片中估计材料外观，无需校准，并通过提取每张图片中的最有用的信息并从数据中学到的先验知识，处理视角和光线方向的变化，从而实现对材料的捕捉，并在单张至多张图片的输入条件下，实现与现有单张和复杂多张方法之间的完美平衡。

Jun, 2019

提出了一种新的深度学习架构，该架构对形状和 SVBRDF 进行分阶段估计，并具有联合细化网络，适用于移动硬件，并创建了一个大规模的合成训练数据集，通过实验展示了该方法的优越性。

Apr, 2020

本论文提出了一种材料获取方法，在手持的手机相机拍摄时，通过任意环境光线下使用闪光灯成像物体表面，从而避免阴影并同时捕捉高频镜面反射，使用训练好的卷积神经网络 (SVBRDF) 回归出完整物体表面的 BRDF 和法线信息，通过密集条件随机场模块细化结果，最终获得高质量的各种材料的表面重构结果，并证明了该方法在真实数据和合成数据上比现有方法获得更好的结果。

Apr, 2018

本文提出了一种卷积神经网络分类模型，通过利用未标记的空间变化材料图像中嵌入的外观信息来自主增强训练过程，以减少标记训练数据的数量，并验证了该网络结构在不同类型的材料上的有效性和自增强训练流程的效果。

Sep, 2018

本文提出了一种将基于样例的表面视角双向反射分布函数转移到类似材料的目标图像中的简单方法，并介绍了两种工作流程，一种允许用户从单个大表面的照片中捕捉大规模对象的表面，另一种可以从网络图片中创建大型 SVBRDF。

Jul, 2020

本文利用基于 StyleGAN2 的深度生成卷积网络 MaterialGAN，通过在其潜在表示空间中进行优化，将闪光灯照射下拍摄的图像转化成能够精确还原目标图像的材料贴图，并取得了优于现有技术水平的结果。此外，我们还展示了 MaterialGAN 的高级语义材料编辑操作，例如材料变化和材料形态变化。

Sep, 2020

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

我们提出了一种材料外观建模神经网络，用于可视化根据多样的视角和光照条件，在只有一张材料的照片作为输入的情况下，对合理的、在空间上有变化的材料进行外观估计。我们的神经结构由两个网络阶段组成：一个网络从单个输入照片中推断材料的每一像素的学习到的神经参数，和一个利用这些神经参数渲染材料的网络，类似于 BRDF。我们在一组 312,165 个合成的空间变化范例上训练我们的模型。由于我们的方法推断学习到的神经参数而不是分析的 BRDF 参数，我们的方法能够将各向异性和全局照明（像素间的相互作用）信息编码为单个像素参数。我们通过与之前的工作进行性能比较来展示我们模型的表现，并通过将其实现到 Mitsuba3 渲染引擎中，证明了渲染网络作为 BRDF 的可行性。最后，我们简要讨论了神经参数编码全局照明信息的能力。

Jun, 2024

提出了一种深度反渲染框架，用于室内场景的重建和估计形状、光照和面反射率，实现了提高渲染质量，从而在增强现实等领域具有广泛应用。

May, 2019

本研究提出了一种从单个真实世界图像中提取基于物理的渲染 (PBR) 材料的方法，通过扩散模型将图像的区域映射到材料概念，然后利用独立的网络将生成的纹理分解成空间变化的 BRDFs，并通过无监督领域适应实现对新样本的泛化应用。该方法在合成和真实世界数据集上进行了充分评估，并展示了从实际照片估计的材料编辑 3D 场景的适用性。

Nov, 2023