从不同视角下的图像序列中估计场景参数的多视角逆渲染问题，通过利用极化线索来减少歧义性，以物理为基础的可微分极化渲染器辅助下，提出了神经入射斯托克斯场（NeISF）的多视角逆渲染框架。实验结果表明，该方法在合成和真实场景中优于现有作品。

Nov, 2023

我们提出了一种新的单阶段框架，神经光子场（NePF），用于解决多视图图像中的逆渲染问题。与以往的方法相反，我们质疑在多个阶段中恢复几何、材质和光照，并从不同的神经场中提取属性的复杂性，并介绍了一种单阶段框架，统一恢复所有属性。NePF 通过充分利用神经隐式表面权重函数和视角相关辐射的物理含义，实现了这种统一。此外，我们引入了一种创新的基于坐标的快速体积物理渲染照明模型。为了规范这个照明，我们实现了扩散估计的亚表面散射模型。我们在真实和合成数据集上评估了我们的方法。结果表明，我们的方法在恢复高保真几何和可视合理的材料属性方面具有优越性。

Nov, 2023

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

我们提出了一种新颖的方法来通过估计来自一组拍摄图片的几何、材质特性和环境光照来数字化真实世界物体。我们的方法将用于实时基于物理的渲染的基于图像的光照的分数和逼近方法纳入到神经辐射场（NeRF）管道中。我们提出了使用单个场景特定的 MLP 模型来建模场景的光照，该模型表示任意分辨率的预集成图像光照。我们通过利用基于高效蒙特卡洛采样的新型正则化器实现了对预集成光照的准确建模。此外，我们提出了一种利用类似蒙特卡洛采样的新型正则化器来监督自遮挡预测的方法。实验结果证明了我们的方法在估计场景的几何、材质特性和光照方面的效率和效果。我们的方法在单个 NVIDIA A100 GPU 上进行仅约 1 小时的训练后能够达到最先进的重光质量。

Nov, 2023

本文介绍一种新的深度残差 MLP 网络用于学习 Neural Light Field（NeFL），通过从预训练的 NeRF 模型中转移知识进行数据精馏，以此消除 NeRF 的迭代采样问题，在合成和现实场景下的实验结果表明，与其他算法相比，我们的方法在节省计算资源和提高渲染质量方面具有明显的优势。

Mar, 2022

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

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

本研究提出一种全可微分的神经自适应环境光照 (NeAI) 框架，使用神经光辐射场 (NeRF) 作为光照模型，解决了简化光照模型的不足，并通过实验表明在新视角渲染方面的卓越性能，为弥合虚拟和现实场景之间的差距打开了令人兴奋的可能性。

Apr, 2023

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

在移动设备上实时进行新视角图像合成由于有限的计算能力和存储而受到限制。体积渲染方法（如 NeRF 及其衍生方法）在移动设备上使用不适宜，因为其计算成本高。然而，神经光场表示方法的最新进展在移动设备上展示了有希望的实时视角合成结果。我们发现使用光场平板表示对于学习神经光场是一种有效的表示方法。更重要的是，它是一种低维的射线表示方法，使我们能够使用相对更快的特征网格来学习 4D 射线空间。我们的方法提供了比以前的光场方法更高的渲染质量，并在渲染质量和速度之间实现了显著的改进平衡。

Oct, 2023