该研究提供了一种基于连续体积参数化的方法，可以将场景表示为可以在新视点下进行渲染的 3D 表示，并且可在任意照明条件下呈现，包括间接光照效果，从而解决了以前的方法因光照环境变化而受限的问题。

Dec, 2020

本文提出了一个称之为 Relighting4D 的结构化框架，通过神经网络分解人体的空间时间几何和反射属性为一组法线、遮挡、漫反射和镜面映射的神经场，进而进行基于物理的面部渲染且可自我学习。通过在真实和合成数据集上的广泛实验验证，我们的方法能够以自我监督学习的方式将人体演员的表演与其背景分离，实现无限可调的动态换背景。

Jul, 2022

通过基于单图几何重建的框架实现针对人体的单张图片重照，在去除光照的同时，通过采用经过修改的 HRNet 和基于光线追踪的每像素灯光表示方法，恢复逼真的阴影，展现出包括硬阴影在内的高频阴影效果，优于先前的方法。

Jul, 2022

从稀疏视点（甚至单眼）动态人类视频中的未知照明条件下创建可重新照明和可动画化的神经头像是该论文的主要挑战，为了解决这个问题，作者提出了一种层次化距离查询算法来近似任意人类姿势下的世界空间距离，并基于此算法开发了首个能从稀疏视点（或单眼）输入中恢复出可动画和可重新照明的神经头像的系统，实验证明该方法比现有的方法有着更优秀的结果。

Aug, 2023

本文提出使用自监督深度估计文献中的多视角光度目标作为几何正则化器来对体积渲染进行改进，并使用变压器来显式建模场景几何形状和深度，并展示了这种方法的性能。通过共享潜在编码信息，无需增加网络复杂度，越过单任务学习的局限性，实现了针对受限视角多样性的高质量体积渲染和实时新视角和深度合成的任务，并在 ScanNet 基准测试中实现了最先进的结果。

Apr, 2023

通过在基于体素的网络中添加可见性输入流，结合虚拟物体的合成数据增强和多个时间帧上的 LiDAR 扫描的时间聚合，我们在 NuScenes 3D 检测基准测试中展示了一个状态良好的 3D 检测器整体精度的显着提高。

Dec, 2019

该研究提出了一种基于神经网络和 SMPL 模型的新方法，用于通过一个单一的 RGB 摄像机跟踪三维人体、物体及其相对位移，且能够在强遮挡情况下保持稳健性。

Mar, 2023

本文提出了一种用于室内场景的统一、基于学习的逆渲染框架，包括反照率、法线、深度和三维空间变化的照明的联合估计，其中设计了一种基于物理学的可微渲染器，利用我们的三维照明表示，形成能量守恒的图像形成过程，实现所有内在属性的联合训练，以重新渲染约束保证物理正确性，实验表明，该方法在量化和质量上优于之前的工作，能够为增强现实应用（例如虚拟物体插入）产生逼真的结果，即使对于高度镜面的物体也是如此。

Sep, 2021

使用基于体元的优化框架 ReVoRF，针对伪新视图合成中的不可靠性问题，利用相对深度关系和绝对颜色值之间的权衡，通过双边几何一致性损失和可靠性引导学习策略，实现了对数据的更细粒度利用和增强重建质量，显著提高效率和准确性。

Mar, 2024

本文介绍了一种基于卷积神经网络的监督学习方法，用于推断人像中的反照率、形状、照明以及包含每个像素点的九个球谐系数的光传输图，以达到更加真实的照明效果。通过对数据集的精心准备，即使只有少量的合成人物数据集，也可以合理地推断出几何信息，包括遮挡。

Aug, 2019