本研究提出了一种使用神经渲染的方法，利用新颖的神经表征重构对象的透明部分，并保留物体的逼真外观，使用非常高效的着色器代码支持实时渲染，并通过标准的着色器代码生成，实现与现有硬件和软件系统的无缝集成。

Dec, 2022

提出了一种分析合成方法，用于快速多视角不透明物体的三维重建，通过将表面表示为三角形网格并围绕三角形光栅化和神经阴影构建可微分的渲染管道，优化三角形网格和神经着色器来重现多视图图像，并研究了着色器，发现它学习了可解释的外观表示。

Dec, 2022

我们提出了一种从单一单目视频中学习可个性化动画的、具有几何精度、逼真性、可重新照明性并且与当前渲染系统兼容的 3D 头像人物模型的高效方法。

Oct, 2023

本研究提出了一种新颖的神经隐式亮度表示方法，用于从一小组不规则的物体照片中进行自由视角重照。我们通过多层感知器将形状表示为有符号距离函数。与先前的隐式神经重照方法不同，我们没有分离不同的反射分量，而是通过第二个多层感知器在每个点上模拟局部和全局反射，并融合阴影和高光提示来辅助网络对应的高频光传输效果建模。在合成和真实场景中展示和验证了我们的神经隐式表示方法，这些场景具有各种形状、材料属性和全局光照传输。

Aug, 2023

本文基于目前成功的体积神经渲染，提出了一种新的灯光表示方法来解决物理基础渲染中的限制，并使用 BRDF 模型和细节表面 / 次表面散射，开发出全新的神经肌肤着色器，其性能和质量得到了充分的实验验证。

Apr, 2023

本文提出了一种基于体渲染的光传输场学习框架，利用各种外观线索来优化几何，扩展重建和重新照明的能力，提高对于具有亚表面散射效应等更多种材料的处理能力。

Jun, 2023

提出了一种基于神经网络的实时体积渲染方法，用于逼真高效地渲染体积媒体，通过模拟迭代积分过程来加速体积媒体的渲染速度，并在保持渲染质量的同时实现逼真的效果，实验结果表明该方法优于先前的方法。

Jan, 2024

通过使用容积神经场，我们提出了一种新的方法来处理可重光和可动态化的神经头像，结合混合容积原始的动态化身方法以及轻量级硬件设置和新的架构，实现了在任何环境中重新照明的动态神经头像，甚至可以进行未见过的表情。

Dec, 2023

提出了一种新颖的端到端二维照明扩散模型 Neural Gaffer，通过将图像生成器条件化于目标环境图，可以在任意新环境照明条件下综合出准确、高质量的复照图像，而不需要显式场景分解。

Jun, 2024

本研究提出了一种新的深度场景表示方法 —— 神经反射场，该方法使用全连接的神经网络编码场景中任意 3D 点的体密度、法线和反射属性，并将其与可微分的物理模型相结合，从而能在任意视点和光照条件下渲染图像，实现高质量的视角合成和照明重建。

Aug, 2020