提出了一种使用深度卷积神经网络对遮蔽组分进行分解，从而区分强光学效应与反射变化的方法，并在大规模实验中证明了其优越性。

Dec, 2019

本文提出了一种新颖的无监督内在图像分解框架，不依赖于标记的训练数据和手工制作的先验。通过探索反射和阴影之间的独立性、域不变内容约束和物理约束，直接从无监督和不相关的数据中学习反射和阴影的潜在特征。在合成和实际图像数据集上的广泛实验表明，所提出的方法具有一致的卓越性能。

Nov, 2019

该文介绍了使用具有灵活监督损失层的深度学习方法来实现自然图像的固有反射和阴影层解析分解，并展示了其在所有主要内部图像基准测试上取得的最先进结果。

Jan, 2017

本文提出了使用解释输入图像的方法来学习内在图像分解，在单个图像上执行反射、形状和光照条件的预测。该网络利用无监督重建误差信号来提高中间表示的质量，使得大规模未标记数据在训练中有用，并且能够将所学知识应用于不同的对象类别、光照条件和形状的图像上。实验结果表明，该方法对内在图像分解和知识传递均表现出色。

Nov, 2017

该研究提出了一种新的神经网络结构，将图像分解为其固有反射率和阴影，这个结构在固有图像分解问题上表现优异，通过将输出图像展开成拉普拉斯金字塔组件并依据频率实现并行处理，利用卷积神经网络实现图像转换函数的学习，然后在两个基准数据集上进行验证，定量和定性结果均表明，该模型优于最先进的方法。

May, 2018

本文提出了一种基于数据驱动的方法，用于分解内在图像，通过训练模型预测图像片段之间的相对反射顺序并将其应用于能量最小化框架，以获得更好的效果。

Oct, 2015

该论文提出了一种基于边缘驱动的混合卷积神经网络方法，用于固有图像分解，取得了良好的效果，并将全局和本地提示区分开来以提高网络性能。

Mar, 2022

我们的研究引入了一种将重照和内在分解相结合的方法，通过利用场景中的光变化生成伪标签，为内在分解提供指导，同时确保对不同场景类型的稳健性，并减少对预训练模型或手工先验的依赖。我们在合成和真实世界数据集上验证了我们的方法，并取得了令人信服的结果。此外，我们的方法在图像编辑任务中的适用性显示出了有希望的结果。

Jun, 2024

使用卷积神经网络 (CNN) 和 MPI Sintel 数据集进行直接本质分解的新方法表现出色，超过了以前所有的工作，其结果证明了 CNNs 与合成训练数据的结合可能是解决计算机视觉中经典问题的有力新技术。

Dec, 2015

使用点云表示方法，我们提出了 Point Intrinsic Net (PoInt-Net)，通过联合预测反射率、光源方向和阴影，解决了困扰人们很久的内在分解问题。实验证明了 PoInt-Net 在准确性方面优于 2D 表示方法，并且在小规模和任意规模点云上表现稳定，在单个物体级别数据集上进行训练具有合理的泛化能力，适用于未见过的物体和场景。

Jul, 2023