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

本文介绍了一种新的分析合成技术，通过鲁棒的粗到细优化和基于物理的可微分渲染，能够重新构建现实世界对象的形状和外观，统一处理几何和反射的优化，利用图像梯度获得物理精度的梯度估计。

Mar, 2021

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

提出了一种不同 iable 渲染方法以从 RGB 图像中直接学习暗示形状和纹理表示形式的三维重建，其可以用于多视角 3D 重建并产生完美的网格结果。

Dec, 2019

本文研究了可微分渲染器相关的各个基础组件的需求，提出了一种广义的可微分渲染器，并利用不同的平滑分布进行了实例化，通过在 ShapeNet 3D 重建基准测试上的多种尝试，分析了结果的影响。令人惊讶的是，在 13 个类别中的平均结果上，简单的均匀分布效果最好；然而，通常来说，最佳的分布选择很大程度上取决于任务。

Apr, 2022

提出一种能够支持显式和隐式表示，可在遮挡边界提供导数的 3D 表面的可微渲染方法，使用非可微光栅化对表面进行采样，然后应用可微的深度感知的点喷洒技术生成最终图像，适用于大型 3D 模型和隐式表面定义提取的等值面的应用。

Aug, 2021

我们提出了一种简单的算法，用于可微性渲染被有符号距离场（SDF）表示的表面，从而使渲染能够容易地融入基于梯度的优化流程中，并通过容忍非零偏差以换取低方差和架构简化的方式来解决与可见性相关的导数问题。我们的方法将边界积分扩展为一个窄带，这在基于 SDF 表示下的表面上采样起来很容易。我们在端到端逆向渲染任务中展示了我们方法的性能和稳健性，并获得与现有工作相竞争或优越的结果。

May, 2024

提出了使用可微分渲染 3D 形状来进行基于图像的形状优化的 SDFDiff 方法，并将其应用于多视图 3D 重建问题，并采用多分辨率策略获得了稳健的优化算法。同时，还可将其与深度学习模型集成，实现无需 3D 监督学习 3D 对象的学习方法，并在单视图 3D 重建方面取得了最先进的结果。

Dec, 2019

快速可靠的形状重建是许多计算机视觉应用的关键要素。神经辐射场证明了逼真的新视角合成是可行的，但在对实景和物体进行快速重建方面要求表现。最近的几种方法基于其他形状表示，特别是 3D 高斯函数。我们对这些渲染器进行扩展，例如集成可微分光流、导出满封闭网格和按射线渲染法线。此外，我们展示了两种最近方法之间的互操作性。这些重建速度快、鲁棒，并且可以在 GPU 或 CPU 上轻松执行。详细的代码和可视化示例请参见网址：https:// 此处为网址

Aug, 2023