该研究论文提出了一种针对服装人体的三维形状估计方法，通过使用极化图像捕获几何线索来重构人体表面法线图，并采用深度学习模型将其转化为 3D 人体形态估计，其结果表明极化相机对于人体形态估计是一种有前途的替代方法。

Jul, 2020

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

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

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

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

使用偏振相机和相对深度信息作为先验，通过全偏振信息提出一种在线重建方法，使稀疏的深度值能沿着等深度线传播，并在具有贫纹理特性的区域中提高深度图的密度和准确度。

Feb, 2021

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

利用极化信息的监督学习方法以及借助物理特性的自监督学习方法取得重要进展，通过利用极化光的几何信息和引入形状先验知识和可逆物理约束来提高姿态估计的准确性。

Aug, 2023