我们提出了一种新颖的紧凑高效的神经 BRDF，具有高度多功能的材料表示，但占用极低的内存和神经计算资源，以实现实时渲染。该方法将 BRDF 投影到两个低维组件中，即入射和出射方向的两个半球特征网格，并在定制的球面网格上分布可学习的神经反射原语，从而实现了非常快速的求值。这种神经 BRDF 提供了一种统一的框架，可以以一致的方式表示各种材料。通过对测量 BRDF 压缩、蒙特卡洛模拟 BRDF 加速和空间变化效果扩展的全面实验结果表明，该方案实现了优越的质量和泛化能力。

Oct, 2023

本文提出基于神经网络的光反射模型数据压缩表示，采用自适应角度采样技术进行高精度光反射模型的重建，并使用嵌入编码方式实现了重要性采样的可行性。

Feb, 2021

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

本文提出利用神经投影映射技术在增强现实应用中实现对投影仪的高分辨率自适应校准和照片级别的光线编辑。通过将虚拟投影纹理与场景参数全微分，可以优化得到所需的外观。此外，本文展示了在材料和场景重建等方面，较传统方法更好的性能。

Jun, 2023

在移动设备上实时进行新视角图像合成由于有限的计算能力和存储而受到限制。体积渲染方法（如 NeRF 及其衍生方法）在移动设备上使用不适宜，因为其计算成本高。然而，神经光场表示方法的最新进展在移动设备上展示了有希望的实时视角合成结果。我们发现使用光场平板表示对于学习神经光场是一种有效的表示方法。更重要的是，它是一种低维的射线表示方法，使我们能够使用相对更快的特征网格来学习 4D 射线空间。我们的方法提供了比以前的光场方法更高的渲染质量，并在渲染质量和速度之间实现了显著的改进平衡。

Oct, 2023

本论文提出了一种使用基于物理的渲染来分解场景并产生具有 BRDF 材料属性的可重光纹理网格的方法，可适用于不同光照条件下获取的图像，实验证明该方法能够从图像集合中获得高质量的可重光 3D 资源。

Dec, 2020

采用神经隐式点光场方法实现体积渲染，通过几百个样本进行射线投射，通过点云实现大场景动态渲染视频，与现有的方法相比，新方法的视角预测能力更强。

Dec, 2021

本研究提出了一种使用神经渲染的方法，利用新颖的神经表征重构对象的透明部分，并保留物体的逼真外观，使用非常高效的着色器代码支持实时渲染，并通过标准的着色器代码生成，实现与现有硬件和软件系统的无缝集成。

Dec, 2022

本文提出了一种名为 Deep Surface Light Field（DSLF）的新型神经网络技术来高保真渲染，它可利用不同的采样模式和预测能力填充缺失数据，同时通过图像配准和纹理感知重新网格化以避免模糊，大幅提高了数据压缩比和 GPU 渲染效率。

Oct, 2018

本文提出了一种基于四维光场表示的双阶段变压器模型，旨在弥合几何重建和经典光场渲染之间的差距，通过强制约束几何约束，使得场景几何隐含在稀疏的视角学习中，并在多个前向和 360 度数据集上超越了最先进技术，尤其是在视角变化剧烈的情况下。

Dec, 2021