本文提出了一种使用偏振线索高效获取物体形状和空间变化反射的新方法，其中偏振成像与深度学习相结合，可以在正面闪光照射下使用单视角偏振成像实现高质量估计物体形状和反射。

May, 2021

该研究提出了一种新的基于数据驱动和物理学先验信息的场景级别单极化图像法线估计方法，并且建立了第一个真实场景级别形态恢复数据集。该方法采用了多头自注意力与视图编码来处理在野外环境中形成的极化杂波和联机投影问题，实验结果表明，相对于现有的形态恢复方法，该方法具有更好的性能。

Dec, 2021

本文介绍了一种利用极化成像的端到端深度学习方法来实现物体表面法线的高精度三维重建的方法，并通过定量和定性的评估结果表明，该方法相较于基于物理的方法在整个数据集上能够以最低的平均角误差（MAE）值为 18.06 度来准确重建物体表面法线。

Jun, 2024

本研究运用深度学习探讨了极化成形（SfP）问题。通过将物理模型融入神经网络架构中，创新性地兼顾了数据驱动和物理驱动，取得了在不同光照、材质和涂装条件下的最佳测试结果。

Mar, 2019

本文提出了一种新的使用视点和极化数据来完整分离漫反射和镜面反射组件、恢复折射率和最终恢复三维形状的方法，在分离过程中涉及了极化的物理特性，证明了与基准方法有竞争力的结果，并恢复了其他信息（例如折射率）

May, 2016

通过极化方法，结合摄影测量方法，可以获得高分辨率的文化遗产物体的三维重建，相比摄影测量方法提高了 10 倍的深度分辨率。

Jun, 2024

本文提出了一种从单张照片中预测着装人体几何形状的新方法，包括三个关键点：一个新数据集，一个新的形状参数化算法和一个端到端的深度生成网络。

Apr, 2019

提出了一种混合深度成像系统，利用极化相机辅以标准数字相机的第二张图像，通过立体提示结构，使用高阶图模型实现去混淆极化表面法线估计，并利用先前的极化成形方法扩展至透视情况，从而计算稠密详细的绝对深度图。

Mar, 2019

本研究提出了一种基于 DeepCut 和 SMPL 模型的 3D 姿态估计方法，能够从单张无约束的图像中自动预测人体的姿态和形状，实现了对人体结构和运动的精确推断。

Jul, 2016

本研究提出了第一个自监督的多模态 RGB + 偏振图像的 6D 目标姿态预测方法，通过物理模型、师生知识蒸馏和逆可逆的物理约束等方式实现了稳健的几何表征和对偏振光的特征编码。通过自监督训练和物理约束，得到了准确的物体外观和几何信息，特别适用于具有挑战性纹理、反光表面和透明材料的物体。

Dec, 2023