通过卷积神经网络技术，直接预测图像的反射率图以分解出出现的内在属性，并展示了如何通过间接方案在表面方向预测和数据插值的帮助下提高估计结果，同时引入基于真实与合成图像的全新挑战 SMASHINg 评估方法并展示了反射率图在图片编辑中的应用。

Nov, 2015

本文提出了一种新的、基于深度神经网络的反射光去除算法，该算法采用两个级联模型，第一个模型用于估计反射层，第二个模型则利用反射层信息指导透射层估计，该算法在五个不同数据集上的实验表明其在定量和定性上比目前最先进的算法表现得更好。

Dec, 2020

本文探讨使用先验知识在分离图像的内在成分中的反射率和阴影层时的高性能方法，并提出了一种基于 CNN 学习和使用先验知识的损失函数，后者可以实现强反射不变性的联合双边滤波方法，达到在我们提供的对多个算法进行内在成分分解的标准基准测试上的最佳性能。

Dec, 2016

本文提出了一种基于学习的、适用于 3D 扫描与融合系统的、从 8 位 RGB 图像中实时直接估算表面反射率的轻量级方法，并设计了两种新的网络架构和一种损失函数，同时还建立了一个大型合成数据集 SynBRDF 用于反射率估算。实验结果表明，该方法对于未受控制环境下的反射率估算具有优越性。

May, 2017

本文提出使用对象语义作为指导力量，强制将相同对象分配到同一层次来解决玻璃窗后的图像反射问题，并在不同数据集上进行了实验证明该方法的显著性能优势及其在计算机视觉任务中的应用。

Jul, 2019

本文提出了一种基于自我监督的深度估计方法，通过利用水景中的镜面反射和几何约束，对单张图像进行深度估计。利用水分割网络将反射分离出来，然后通过自我监督框架从反射中预测目标的外观，以优化姿态和深度估计。此外，通过引入大规模虚拟场景数据集来减少真实数据集的标注工作，实验证明了该方法在水景深度估计中的可行性。

Apr, 2024

本文提出了一种三阶段网络，用于从单个物体级图像中去除镜面高光，并使用大规模合成数据集验证。

Sep, 2023

本文研究了语言引导的反射分离问题，通过引入语言描述以提供层次内容，解决了反射分离问题。我们提出了一个统一的框架来解决这个问题，该框架利用交叉注意力机制和对比学习策略构建语言描述和图像层之间的对应关系。采用门控网络设计和随机训练策略来处理可识别层的模糊性。基于定性和定量比较验证了所提方法相对于现有的反射分离方法的显著性能优势。

Feb, 2024

该论文提出了一种深度学习方法，可以从不确定数量的拍摄的无序图片中估计材料外观，无需校准，并通过提取每张图片中的最有用的信息并从数据中学到的先验知识，处理视角和光线方向的变化，从而实现对材料的捕捉，并在单张至多张图片的输入条件下，实现与现有单张和复杂多张方法之间的完美平衡。

Jun, 2019

本文提出了一种基于深度多层感知器（MLP）的坐标系参数化方法，通过充分利用观察到的光度变化和表面阴影，恢复了表面形状和非兰伯特表面反射，并显式地预测投射阴影，减轻了这些遮挡区域上可能存在的估计误差。测试结果表明，该方法在真实世界图像中优于现有方法，并且由于 MLP 网络较小，相比以前基于 CNN 的方法，其速度提高了一个数量级。

Mar, 2022