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场景重建方法，应用了一种新颖的体积场景表示方法——反射体积网格，通过物理可行的可微分体积光线行走框架，渲染出高质量的图像，实现了对具备挑战性的真实场景的重建，而重建得到的反射体积网格可进行编辑，可用于修改捕捉的场景材料。

Jul, 2020

本研究提出一种基于神经表示的脸部反射模型，通过单张图像的估计来生成基于光照、视角和脸部几何变换的脸部反射基，可用于在任何光照条件下从任何视角渲染脸部，其能更好地捕捉诸如亚表面散射、镜面效应、自身阴影和其他高阶效应等物理基元，进而提高光照模型的仿真度。

Aug, 2020

该研究提供了一种基于连续体积参数化的方法，可以将场景表示为可以在新视点下进行渲染的3D表示，并且可在任意照明条件下呈现，包括间接光照效果，从而解决了以前的方法因光照环境变化而受限的问题。

Dec, 2020

本文提出了一种基于神经透射函数的新方法，用于加速神经反射场的渲染，减少了复杂光照下的时间复杂度，并保证了渲染精度。

Oct, 2021

本文提出了一种基于四维光场表示的双阶段变压器模型，旨在弥合几何重建和经典光场渲染之间的差距，通过强制约束几何约束，使得场景几何隐含在稀疏的视角学习中，并在多个前向和360度数据集上超越了最先进技术，尤其是在视角变化剧烈的情况下。

Dec, 2021

利用单视图图像下不同点光源捕捉来学习神经场景表示，利用阴影和明暗等单目线索推断场景几何，并学习神经反射场，用于代表场景3D几何和BRDF。实验表明，该方法能够从单视图图像中恢复场景的3D几何，包括可见和不可见部分，适用于新视角合成和再照明等应用。

Oct, 2022

本研究提出了将本应在神经网络评估后再进行渲染的颜色，改为直接渲染出射线查询的特征向量，从而大幅降低了神经网络评估的复杂度和计算开销，并取得了较好的渲染质量。

May, 2023

本研究提出了一种新颖的神经隐式亮度表示方法，用于从一小组不规则的物体照片中进行自由视角重照。我们通过多层感知器将形状表示为有符号距离函数。与先前的隐式神经重照方法不同，我们没有分离不同的反射分量，而是通过第二个多层感知器在每个点上模拟局部和全局反射，并融合阴影和高光提示来辅助网络对应的高频光传输效果建模。在合成和真实场景中展示和验证了我们的神经隐式表示方法，这些场景具有各种形状、材料属性和全局光照传输。

Aug, 2023

本研究解决了光滑物体逆向渲染中缺乏定量评估的难题，提出了一种创新的可重光照神经逆向渲染系统。该系统通过两阶段学习方法，优化场景参数因子的分解，并在重光照阶段显著提高间接照明质量。实验表明，该算法在逆向渲染和重光照方面达到最先进的性能，尤其在高度反射物体的重建上表现出色。

Sep, 2024