本研究提出了一种新的深度场景表示方法 —— 神经反射场，该方法使用全连接的神经网络编码场景中任意 3D 点的体密度、法线和反射属性，并将其与可微分的物理模型相结合，从而能在任意视点和光照条件下渲染图像，实现高质量的视角合成和照明重建。

Aug, 2020

本文介绍了一种使用深度神经网络进行视图综合和图像合成的方法，通过连续的体积场函数来优化复杂场景的视图，并在神经辐射场方面取得了最新的研究成果。

Mar, 2020

通过使用图像扩散模型对输入图像进行重新照明，并利用这些重新照明的图像重建神经辐射场（NeRF），我们提出了一种更简单的方法来实现利用目标光照下的新视点渲染的三维表示，并在多个重新照明基准测试中取得了最新的结果。

Jun, 2024

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

提出一种新的逆向渲染框架，能够从一组 RGB 图像中联合重建场景几何、空间变化的材料和 HDR 照明，并支持物理场景操作，例如射线跟踪阴影投射。

Apr, 2023

该研究提出使用隐式密度场而非神经辐射场作为图像的几何场景表示，通过自监督训练神经网络能够在单个前向传递中预测该场景表示，并且可以在深度预测和新视角合成方面进行体积渲染。实验表明，该方法能够预测出输入图像中遮挡区域的有意义几何信息。

Jan, 2023

本文提出了一种新方法，使用预积分渲染有效地学习可重构的神经表面，同时在神经隐式场内学习几何、材料和照明等物理属性，并在协作上进行优化，实现了在合成和真实数据集中超越现有技术的效果。

Jun, 2023

本文提出了一种分析 - 合成方法 Relit-NeuLF，通过使用两平面光场表示对 4D 坐标系统的每条光线进行参数化，以实现对复杂场景的同时重照和新视角合成；通过自监督学习方法，该方法能够恢复三维场景的空间变化的双向反射分布函数（SVBRDF）；通过将每条光线映射到其 SVBRDF 组成部分（漫反射、法线和粗糙度）以及灯光方向的条件，实现光线颜色的合成；综合实验证明，该方法在合成数据和真实世界人脸数据上都具有高效和有效的性能，并且优于最先进的结果。

Oct, 2023

该研究通过统一的方式制定了表面和体渲染，从而使得无需任何输入蒙版即可实现准确表面重建，并通过实验证明其能够在各方面都优于 NeRF 方法并与 IDR 方法相媲美。

Apr, 2021

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