通过提出一种端到端的非标定多视点 PS 框架，以实现在真实环境中通过稀疏视点获取高分辨率形状的重建，摒弃了黑暗室的假设，并允许静态环境光和动态 LED 光的组合，从而实现了在实验室外轻松捕获数据，并通过实验证实，在稀疏视点情况下超越了现有的基准方法，将高精度三维重建从黑暗室引入到现实世界中，并保持了合理的数据采集复杂性。

Mar, 2024

通过构建真实世界数据集，本文介绍了用于测量物体重建和渲染以实现换灯效果的方法，通过在多个环境中捕捉环境光照和真实图像，可以从一个环境中的图像重建物体，并对未见过的照明环境对渲染视图的质量进行定量分析，并通过对比基线方法和最新方法的测试结果，显示出新视点合成不能可靠地衡量性能。

Jan, 2024

该研究提出了一种 CNN 基于光度立体的方法，能够处理如光传播、透射视图几何和镜面光反射等现实假设，通过两个主要步骤迭代估计形状和辐射方向，取得比现有状态 - of-the-art 方法更好的实验效果。

Sep, 2020

本文主要研究使用 LED 作为点光源时的光度立体成像问题，并提出了一种可行的校准方法和 PDE 数值解法。此方法通过交替加权最小二乘法得到了较好的结果。

Jul, 2017

在这篇论文中，我们提出了一种基于光度立体技术的轻量级策略，仅需要稀疏输入或单个图像即可恢复近场光下高保真度的面部形态。通过构建包含 84 个不同主题和 29 种表情的数据集，我们提出了一个专门设计用于光度立体基于 3D 面部重建的新型神经网络。广泛的实验和比较表明，我们的方法可以生成高质量的重建结果。

Mar, 2020

本研究介绍了一个包含超过 1000 个真实场景的多光照数据集，每个场景都在 25 种不同的光照条件下进行了捕获。作者使用此数据集训练了针对三个应用的最新模型：单张图像光照估计、图像重新照明和混合光源白平衡。

Oct, 2019

本文介绍了一种名为 “通用光度立体” 的新光度立体任务，旨在开发出一种无需假定特定光照模型即可适用于各种形状、材料和光照变化的解决方案算法，该算法的实现基于一种纯数据驱动的方法，通过提取通用的照明表示 —— 全局照明环境，代替了以往的物理光照参数恢复，同时通过使用设计的合成数据集训练神经网络，以根据各种形状、材料和光照适应一组新的数据集。通过与其他最先进的未校准光度立体方法进行比较，以演示我们方法的显著性。

Jun, 2022

本研究提出了一个新的照明估计数据集 (SpyderCube)，旨在解决其他数据集存在的问题，可用于训练和测试单一或双照明估计方法。该数据集由 4890 幅带有语义数据的图像组成，包含两个不同方向的地面真实照明记录，可用于图像处理流程中的计算机颜色恒常性等方面的研究。

Nov, 2020

该研究旨在提出一种新型的像素训练规程（PX-NET），它通过在独立像素生成数据上替换全局渲染图像的训练数据来实现对物体几何结构的迅速恢复，在结构和性能上都优于同类像素方法。

Aug, 2020

使用光场传感和照片逼真渲染提出了一种适用于透明物体的位姿估计算法 LIT，并引入相应数据集 ProLIT，实现了对透明物体的识别、定位和位姿估计。实验结果表明，在 ProLIT 数据集上，LIT 算法能够胜过现有的位姿估计方法。

Oct, 2019