本文提出一种新的方法来有效地恢复具空间变化的间接光照。该方法使用输入图像学习的神经放射场方便地导出间接光照，并采用适当建模的方法恢复直接光照的可见度和间接光照的折射 - 阴影自由反照率，以达到优于先前方法的效果。

Apr, 2022

本研究提出了一种名为 GaNI 的全球和近场照明感知的神经逆渲染技术，能够从光和相机共同拍摄的场景图像中重建几何、反射率和粗糙度参数。我们通过两个阶段的方法来解决现有的逆渲染技术只能针对单个物体的问题，首先利用神经体积渲染 NeuS 重建几何，然后使用先前预测的几何来估计反射率和粗糙度。实验证明，我们的方法在合成和真实数据上表现优于现有的基于光和相机共同拍摄的逆渲染技术，能够产生更好的反射率和略微更好的几何。

Mar, 2024

基于 NeRFs 和光线追踪，我们提出了一种 5D 神经光场（NeP），通过渲染方程，可以更准确地表达光照 - 物体相互作用，同时使用材质感知锥采样策略有效地集成 BRDF 波束内的光源。

Mar, 2024

SIRe-IR 是一种基于非线性映射和正则化能见度估计的隐式神经反渲染方法，能够准确地将场景分解为环境贴图、反射率和粗糙度，并能够同时模拟间接辐射场、法线、能见度和直接光，从而消除材质中的阴影和间接照明。SIRe-IR 在定量和定性评估中均优于现有方法。

Oct, 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

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

Inverse Path Tracing 通过可逆光传输模拟，提出了一种新颖的方法，可以在保证物理正确性的情况下，同时获取室内场景中的光源和材料属性，并使用可微分的蒙特卡罗渲染器进行优化，以实现编辑和重渲染。

Mar, 2019

本文研究了不同渲染技术的发展，提出一种整合了射线追踪、蒙特卡罗积分、多种重要性采样和去噪的反渲染流程，可以有效地重建三角网格几何、材质和光照，改善材质和光照分离，并提高梯度优化的效果和收敛速度。

Jun, 2022

本文提出了基于可微分渲染的方法，通过神经入射光场和多层感知机模擬的表面 BRDF 模型来实现多视图图像和重构几何体的物质和照明估计，该方法能够准确估计静态场景的照明，并可自然处理遮挡和间接光线，未需多次反射。我们在多个场景数据集上实验，结果表明本方法以显著的优势超越现有方法，成为图像物质和照明估计的新的最佳实践。

Mar, 2022