本研究介绍了一个包含超过 1000 个真实场景的多光照数据集，每个场景都在 25 种不同的光照条件下进行了捕获。作者使用此数据集训练了针对三个应用的最新模型：单张图像光照估计、图像重新照明和混合光源白平衡。

Oct, 2019

通过构建真实世界数据集，本文介绍了用于测量物体重建和渲染以实现换灯效果的方法，通过在多个环境中捕捉环境光照和真实图像，可以从一个环境中的图像重建物体，并对未见过的照明环境对渲染视图的质量进行定量分析，并通过对比基线方法和最新方法的测试结果，显示出新视点合成不能可靠地衡量性能。

Jan, 2024

利用物理基础渲染和实验室测量的折射率，生成高保真度的多视角图像，我们引入 OpenMaterial 数据集，包括 295 种不同材料制成的 1001 个物体，并在 723 种不同的照明条件下采集。OpenMaterial 提供了全面的标注，包括 3D 形状、材料类型、相机姿态、深度和物体掩码。作为首个大规模数据集，它使得对具有多样且具有挑战性材料的物体上现有算法进行定量评估成为可能，从而为处理复杂材料属性的 3D 重建算法的发展铺平了道路。

Jun, 2024

提出了一种创造大规模室内场景的照片级真实数据集的新框架，可提供外观、布局、语义标签、高质量变化自由的 BRDF 和复杂照明等显著真实的基准数据，可用于逆向渲染、场景理解和机器人学，与物理引擎结合可创建具有摩擦系数等真实场景对应关系的虚拟机器人环境。

Jul, 2020

我们引入了 Stanford-ORB，一个新的真实世界的 3D 物体逆向渲染基准。我们通过提供一个新的真实世界的数据集，并使用该数据集建立了首个全面的真实世界评估基准，评估对象逆向渲染任务在野外场景的性能，并比较了各种现有方法的表现。

Oct, 2023

针对如何从神经光辐射场（NeRF）中渲染新视角的问题，本文介绍了 ReNe (重新照明 NeRF) 数据集，细分了现实世界中的物体以及光与相机姿态，通过该数据集，可以表明 NeRF varients 的光照能力，进而确定了一种轻量级体系结构，以获得一种能够在新的光照条件下呈现对象新视角的方案，并用于该数据集的非平凡基线。

Apr, 2023

本文介绍了一种包含近千个三维对象模型及超过 84 万个现实世界的 RGB 和深度图像数据集，旨在填补现有研究中缺乏的三维多视图重建的真实数据基准。该数据集通过半自动方式实现相机位置与物体姿态的精准标注，为形状重建、物体姿态估计、形状检索等 3D 应用提供了可能。数据集已开放，包含注释工具和评估基准源代码。

Mar, 2022

提出了一种方法，通过逆向渲染的物理原理来约束解决方案，同时利用神经网络来增强处理的计算能力，以提高对嘈杂输入数据的鲁棒性并实现高精度的目标物体光照估计，从而在 AR 情境下实现真实感增强。

Aug, 2020

该研究提出了一个名为 VIDIT 的虚拟图像数据集，旨在创造参考评估基准，并推进照明操作方法的开发。该数据集包含 300 个虚拟场景，用于训练和评估照明转移算法，对于领域适应和培训有很大的帮助。

May, 2020

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