该论文提出了一种基于光线追踪的方法来解决 Neural Radiance Fields（NeRFs）在渲染高光物体时的困难，并成功合成了真实世界场景中的光泽外观和反射，同时优化和渲染速度与当前状态 - of-the-art 视图合成模型相当。

May, 2024

提出了一种名为 NeuMIP 的神经方法，用于在不同尺度下表示和渲染各种材料外观，通过神经贴图金字塔与完全连接的网络相结合，实现了对传统贴图金字塔的扩展，同时引入了神经偏移，该方法无需任何镶嵌的监督训练即可呈现具有精细视差效果的材料。

Apr, 2021

我们提出了一种多空间神经辐射场（MS-NeRF），通过在并行子空间中表示场景的特征场组，以更好地理解神经网络对具有反射和折射性物体的存在的情况，从而实现了对现有 NeRF 方法的增强，且仅需要小的计算开销。在由 25 个合成场景和 7 个具有复杂反射和折射的真实捕捉场景组成的新颖构建数据集上进行的比较表明，我们的方法比现有的单空间 NeRF 方法在渲染复杂光路的镜像对象的高质量场景方面表现显著优于现有的单空间 NeRF 方法。

May, 2023

使用连续值比特映射扩展 NeRF, 可以高效地渲染反锯齿锥体，提高了表现精细细节的能力，缩小了占用空间，降低了平均误差率

Mar, 2021

我们提出了一种针对 NeRF 中参与体积渲染的镜像对象的反射追踪方法，通过明确建模反射行为并使用蒙特卡洛方法估计反射辐射度，我们推导出有效的重要性采样和光线透射率计算策略，从而实现了对具有挑战性场景的一致表示的训练，并在与先前最先进方法的比较中取得了优越的结果。

Oct, 2023

该研究提出了 NeRFReN，它是基于 NeRF 的，能够建模带有反射的场景，并将场景分为透射和反射组件，用单独的神经辐射场来建模两个组件，以实现高质量的新视图综合和深度估计结果。

Nov, 2021

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

我们提出了一种材料外观建模神经网络，用于可视化根据多样的视角和光照条件，在只有一张材料的照片作为输入的情况下，对合理的、在空间上有变化的材料进行外观估计。我们的神经结构由两个网络阶段组成：一个网络从单个输入照片中推断材料的每一像素的学习到的神经参数，和一个利用这些神经参数渲染材料的网络，类似于 BRDF。我们在一组 312,165 个合成的空间变化范例上训练我们的模型。由于我们的方法推断学习到的神经参数而不是分析的 BRDF 参数，我们的方法能够将各向异性和全局照明（像素间的相互作用）信息编码为单个像素参数。我们通过与之前的工作进行性能比较来展示我们模型的表现，并通过将其实现到 Mitsuba3 渲染引擎中，证明了渲染网络作为 BRDF 的可行性。最后，我们简要讨论了神经参数编码全局照明信息的能力。

Jun, 2024

通过卷积神经网络技术，直接预测图像的反射率图以分解出出现的内在属性，并展示了如何通过间接方案在表面方向预测和数据插值的帮助下提高估计结果，同时引入基于真实与合成图像的全新挑战 SMASHINg 评估方法并展示了反射率图在图片编辑中的应用。

Nov, 2015

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