本文提出了一种基于物理 - 逆向图像学的方法，可以从视频中无监督地估算系统的物理参数，实现长期视频预测和基于视觉的模型预测控制，并在交互物体系统的长期未来帧预测中显著优于相关无监督方法，还实现了控制器的可解释性提供了独特的能力在目标驱动控制和物理推理方面的零数据适应。

May, 2019

本文提出了一种新的可微分渲染框架，可以使用可微分函数直接渲染彩色网格，并能够从各种图像表示形式中向网格顶点及其属性反馈高效监督信号，并通过实验，证明提出的渲染器可以在三维无监督单视图重建方面实现显著改善，并能够处理基于图像的形状拟合等具有挑战性的任务。

Apr, 2019

本文提出了 DIB-R，一种可微的渲染框架，使得基于梯度的机器学习技术可以对图像中的所有像素进行分析计算，在单幅图像的 3D 对象预测和 3D 纹理对象生成中得到应用。

Aug, 2019

本研究提出使用可微的物理引擎在行动条件下的视频表示网络中学习物理潜在表示。我们使用监督和自监督学习方法来训练我们的网络，并确定物理属性。实验中，我们演示了我们的网络可以从视频和行动序列中学习编码图像并识别物理属性，我们还比较了我们的受监督和自我监督方法的准确性，并展示了我们的方法预测未来视频帧的能力。

Sep, 2020

研究了鲁棒的可重构智能面（RIS）系统设计问题，并采用不变风险最小化（IRM）的概念，在多个环境中使用不变的因果表示，以使预测器对于每个环境都是同时最优的，结果表明，利用不变性可以提供更加稳健的防范未知环境和分布之外的测试。

May, 2021

本文提出了一种基于 contour 的非参数、真正可微分的 soft rasterizer，使得可以从单张图片进行高质量 3D 网格重建的无监督学习成为可能，且相比其他无监督方法表现出了极大的优势。同时，我们还展示了在各种实际情况下，我们的 soft rasterizer 能够获得与最前沿的有监督学习方法可比甚至更好的结果。

Jan, 2019

该研究提出一种终端到端的学习逆渲染框架，利用可微分 Monte Carlo 光线追踪结合重要性采样，从单张图像中恢复基础几何、空间变化的光照、真实感材料。通过物理上基于不同 iable 渲染层与荧幕空间光线追踪的引入，创建大规模室内场景数据集，设计一种新颖的场外灯光网络进行评估，呈现出与业界最先进基线方法相比提高了的反向渲染质量，可以实现诸如高度保真的复杂物体插入和材料编辑等各种应用。

Nov, 2022

提出了一个像素感知的稳定扩散 (PASD) 网络，可实现强大的逼真图像超分辨率和个性化风格化。引入的像素感知交叉注意力模块使扩散模型能够感知像素级的图像局部结构，同时采用降级去除模块提取对降级不敏感的特征，与图像高级信息一起引导扩散过程。通过将基础扩散模型替换为个性化模型，我们的方法可以生成不同风格的图像，无需收集成对的训练数据。实验证明了我们提出方法的有效性。

Aug, 2023

该论文提出了一种混合不同 iable 引擎，它支持光照和材质等照片级别的效果，甚至可以处理一些 “非兰伯特” 和 “高光” 等效果。拥有优秀的性能并且不需要任何地面真实数据，可以从单个图像中实现几何、反射和光照预测。

Oct, 2021

该研究通过不需要地面实况流体动力学监督的未注释视频实现了从照片到流体动力学重建的功能，其中包括可微的欧拉模拟器和体积渲染器，并通过流体数据派生出一种不同的渲染器，以支持端到端 / 连贯的可微动态模拟和渲染。

Apr, 2023