本文提出了一种基于深度学习的非 Lambert 场景无标定光度立体方法，该方法相对于之前依赖于特定反射率和光源分布假设的方法，能够确定未知任意反射率下观察未知变化光照方向的场景的形状和光源方向，通过两阶段的深度学习架构 SDPS-Net 来实现。 对合成和实际数据集的实验表明，我们提出的方法明显优于先前的非标定光度立体方法。

Mar, 2019

本文介绍了一种名为 “通用光度立体” 的新光度立体任务，旨在开发出一种无需假定特定光照模型即可适用于各种形状、材料和光照变化的解决方案算法，该算法的实现基于一种纯数据驱动的方法，通过提取通用的照明表示 —— 全局照明环境，代替了以往的物理光照参数恢复，同时通过使用设计的合成数据集训练神经网络，以根据各种形状、材料和光照适应一组新的数据集。通过与其他最先进的未校准光度立体方法进行比较，以演示我们方法的显著性。

Jun, 2022

本文提出一种有效的解决方案，利用光度立体测量和多视角立体测量的互补优势，通过基于不确定性感知的深光度立体网络和深多视角立体网络估计每像素表面法线和深度，从而实现密集、详细和精确的物体表面轮廓重建。

Feb, 2022

本文提出了一个针对光度立体问题的不需要校准的深度神经网络框架，通过估计输入图像的光线方向来计算表面法线、双向反射分布函数值和深度，同时显式模拟图像形成过程中的凹凸面部分的互反射效应，结果表明该方法在挑战性主题上表现优于监督和经典方法。

Dec, 2020

我们提出了一个快速且通用的解决多视图光度立体 (MVPS) 问题的方法，称为 MVPSNet。我们的方法通过一个特征提取网络有效地结合同一视图下不同光照条件下的图像，从阴影线索中提取几何特征用于立体匹配。我们通过介绍一种新的人工合成数据集 sMVPS 来训练我们的方法，并展示了在纹理缺失区域中提取特征的有效性。结果表明，我们的方法的重建结果与一个最先进的 MVPS 方法 PS-NeRF 相似，但推理速度快 411 倍（105 秒与 12 小时），具有一般化的可训练能力。

May, 2023

在这篇论文中，我们提出了一种基于光度立体技术的轻量级策略，仅需要稀疏输入或单个图像即可恢复近场光下高保真度的面部形态。通过构建包含 84 个不同主题和 29 种表情的数据集，我们提出了一个专门设计用于光度立体基于 3D 面部重建的新型神经网络。广泛的实验和比较表明，我们的方法可以生成高质量的重建结果。

Mar, 2020

本研究探索了使用光度学技术（阴影形状和非标定光度立体）将 RGB-D 传感器的低分辨率深度图上采样到伴随的 RGB 图像的高分辨率。首先提出了一种有效的单次变分方法，而这依赖于目标的反射率是分段常数。随后，展示了这个依赖特定反射模型的限制可以通过关注特定类别的对象（例如面部），并将反射率估计委托给深度神经网络来缓解。最后讨论了一种基于随机变化光照条件的多次采集策略。这不需要反射率的培训或先前知识，但其代价是专用采集设置。通过定量和定性评估，证明了所提出方法在合成和真实场景中的有效性。

Sep, 2018

本文利用深度学习技术中的神经结构搜索方法，提出了一种自动化光度立体技术（PS）的方法，通过训练两个独立的网络来实现光度标定和法线估计的最佳匹配，从而达到高精度、低存储的光度立体模型构建。

Oct, 2021

通过提出一种端到端的非标定多视点 PS 框架，以实现在真实环境中通过稀疏视点获取高分辨率形状的重建，摒弃了黑暗室的假设，并允许静态环境光和动态 LED 光的组合，从而实现了在实验室外轻松捕获数据，并通过实验证实，在稀疏视点情况下超越了现有的基准方法，将高精度三维重建从黑暗室引入到现实世界中，并保持了合理的数据采集复杂性。

Mar, 2024

本文介绍了一种光度立体网络，该网络直接学习光度立体输入和场景表面法线之间的关系，通过合并所有输入数据到观察映射中，进一步处理无序的任意数量的输入图像，提高旋转伪不变性等训练和预测效果，通过基于物理的渲染器生成的综合光度立体数据集进行训练，能更好地解决非凸表面下的场景光照估计问题。

Aug, 2018