本文通过使用两个不同照明下的图像，提出了一种新的基于逆渲染的深度学习框架 DeepPS2 来解决 photometric stereo 中的一个中间问题，即 PS2 问题，可以自主完成表面法线、表面反照率、光照估计和图像 relighting 等任务。

Jul, 2022

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

本文主要研究使用 LED 作为点光源时的光度立体成像问题，并提出了一种可行的校准方法和 PDE 数值解法。此方法通过交替加权最小二乘法得到了较好的结果。

Jul, 2017

本文介绍了 SDM-UniPS，一种具有突破性的可扩展，详细，无遮挡和通用的光度立体网络。我们的方法可以恢复惊人复杂的表面法线图，即使在未知的，空间变化的采集条件和非受控环境下。我们已经扩展了先前的通用光度立体网络，以提取空间光特性，利用高分辨率输入图像中的所有可用信息，并考虑表面点之间的非局部交互。此外，我们提出了一个新的合成训练数据集，包括现实世界场景中的各种形状，材料和照明情况。通过广泛的评估，我们证明了我们的方法不仅可以胜过公共基准上的校准的，特定于照明的技术，而且即使没有目标掩模，也可以在显著较少的输入图像下表现出色。

Mar, 2023

本文提出了一种新颖的 RGB-D 传感器深度超分辨率方法，该方法通过高分辨率光度线索澄清深度超分辨率，并对未校正的光度立体进行低分辨率深度线索的澄清。使用变分方法处理 RGB-D 序列，并通过新的 PDE 光度立体正则化器隐式地保持了表面的规则性。实验表明，该方法能够在无需任何特殊先验知识或材料校准的情况下，在现实世界的环境中拍摄高质量的深度图像。

Aug, 2017

本文介绍了一个 DP Depth/Normal 网络，通过收集超过 135K 张 DP 面部数据实现了 3D 面部几何重建，该网络具有自适应采样模块和自适应法线模块，可处理 DP 图像中的虚焦模糊区域，并实现了是取得最新的 DP-based 深度 / 法线估计方法的最优表现，同时也展示了该面部深度 / 法线估计在面部欺骗和光照方面的应用。

Nov, 2021

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

我们提出了一种新颖的多视图光度立体（PS）方法，利用神经形状表示和学习渲染器，显式利用像素强度渲染，模拟每个点的入射辐照度并使用全神经材质渲染器进行优化，同时通过估计法线和分割图最大化表面精度，达到在距离为 1.5m、分辨率 400x400 的情况下，超过经典方法 DiLiGenT-MV 的平均 0.2mm 的沙耶缝距离，对低光计数场景的异常法线具有鲁棒性，使用像素渲染距离仅为 0.27mm。

May, 2024

本研究提出了一种用于光度立体图像的卷积神经网络结构，通过物理学建模的无监督学习框架，可以进行表面法线和反射率预测，并且在实际场景中达到了最先进的性能表现。

Feb, 2018