本文介绍了一种深度学习方法，解决了光度立体的问题，在已知光照方向的情况下可以处理未知各向同性反射的表面，得出表面法线图；同时还提出了一种新的卷积网络方法以处理光照方向未知的情况。在多个数据集上经过充分的评估，该方法取得了更优秀的结果。

Jul, 2020

本文利用深度学习技术中的神经结构搜索方法，提出了一种自动化光度立体技术（PS）的方法，通过训练两个独立的网络来实现光度标定和法线估计的最佳匹配，从而达到高精度、低存储的光度立体模型构建。

Oct, 2021

本文提出了一个针对光度立体问题的不需要校准的深度神经网络框架，通过估计输入图像的光线方向来计算表面法线、双向反射分布函数值和深度，同时显式模拟图像形成过程中的凹凸面部分的互反射效应，结果表明该方法在挑战性主题上表现优于监督和经典方法。

Dec, 2020

本文介绍了 SDM-UniPS，一种具有突破性的可扩展，详细，无遮挡和通用的光度立体网络。我们的方法可以恢复惊人复杂的表面法线图，即使在未知的，空间变化的采集条件和非受控环境下。我们已经扩展了先前的通用光度立体网络，以提取空间光特性，利用高分辨率输入图像中的所有可用信息，并考虑表面点之间的非局部交互。此外，我们提出了一个新的合成训练数据集，包括现实世界场景中的各种形状，材料和照明情况。通过广泛的评估，我们证明了我们的方法不仅可以胜过公共基准上的校准的，特定于照明的技术，而且即使没有目标掩模，也可以在显著较少的输入图像下表现出色。

Mar, 2023

本文提出了一个深度卷积网络 PS-FCN，用于快速前向传递预测一个物体的法线图，并可以解决非 Lambertian 表面的光度立体计算问题，可处理多个图像和光照方向，同时具有在校准和非校准场景下的高性能。

Jul, 2018

介绍了一种新颖的、基于可分离 4D 卷积的全卷积网络架构，将空间和光度一起利用，并回归到二维高斯热图，从而实现高效的表面形状估计。实验结果表明，所提出的方法在效率和准确性上均优于现有方法。

Mar, 2021

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

本文介绍了一种光度立体网络，该网络直接学习光度立体输入和场景表面法线之间的关系，通过合并所有输入数据到观察映射中，进一步处理无序的任意数量的输入图像，提高旋转伪不变性等训练和预测效果，通过基于物理的渲染器生成的综合光度立体数据集进行训练，能更好地解决非凸表面下的场景光照估计问题。

Aug, 2018

本研究探索了使用光度学技术（阴影形状和非标定光度立体）将 RGB-D 传感器的低分辨率深度图上采样到伴随的 RGB 图像的高分辨率。首先提出了一种有效的单次变分方法，而这依赖于目标的反射率是分段常数。随后，展示了这个依赖特定反射模型的限制可以通过关注特定类别的对象（例如面部），并将反射率估计委托给深度神经网络来缓解。最后讨论了一种基于随机变化光照条件的多次采集策略。这不需要反射率的培训或先前知识，但其代价是专用采集设置。通过定量和定性评估，证明了所提出方法在合成和真实场景中的有效性。

Sep, 2018

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