本文提出了一种使用合成孔径雷达图像进行可微分渲染的方法，结合了 3D 计算机图形学和神经渲染，并在高保真模拟 SAR 数据上演示了从有限 SAR 图像重建 3D 对象的逆图形问题。

Apr, 2022

本文提出了一种基于合成孔径雷达（Synthetic Aperture Radar, SAR）图像的高分辨率模拟的表面微波渲染模型，通过光线追踪和快速映射投影技术实现了 SAR 成像，并构建了基于 SAR 图像的可微光线追踪引擎，通过学习表面散射参数，展示了在各种观测条件下 SAR 图像模拟性能的显著提升。

Jan, 2024

本研究借鉴神经辐射场（NeRF）的概念，将 SAR 成像机制与神经网络相结合，提出了一种新的 SAR 图像生成模型 SAR-NeRF，它通过自动编码学习了体素的衰减系数和散射强度分布，并在少样本学习任务上实现了较高的分类精度。

Jul, 2023

通过研究大规模预训练图像生成模型在非可见光领域的应用，特别以合成孔径雷达（SAR）数据为案例研究，提出了一种 2 阶段低秩自适应方法（2LoRA）和改良版本原型 LoRA（pLoRA），以生成 SAR 数据并在 SAR 分类和分割模型的训练过程中取得显著的改进效果。

Nov, 2023

我们通过构建一个结构因果模型 (SCM) 并提出一种因果干预正则化方法，将背景作为混淆因素来消除其对特征语义学习的负面影响，从而实现背景失调的合成孔导自动目标识别（SAR-ATR）。该方法可与现有的基于深度学习的 SAR-ATR 模型集成，以减轻背景干扰对特征提取和识别精度的影响。在运动和静态目标获取和识别（MSTAR）数据集上的实验结果表明，所提出的方法能以即插即用的方式提高现有基于深度学习的方法的效率。

Aug, 2023

我们提出了一个跨模态重建网络（CMR-Net），它通过将可微渲染和光学图像的交叉模态监督整合在一起，将高度稀疏的多基线 SAR 3D 目标图像重建为结构化和高分辨率的图像。该网络通过精心设计的网络架构和训练策略，能够在公开可用的仿真数据集和真实测量数据集上实现高分辨率的重建，优于基于压缩感知和其他基于学习的传统稀疏重建算法。此外，使用光学图像作为监督提供了一种经济高效的方式来构建训练数据集，降低了方法传播的难度。我们的工作展示了在多基线 SAR 3D 成像中深度学习的广泛前景，并为基于交叉模态学习理论的雷达成像研究提供了一条新的路径。

Jun, 2024

基于 MoSAR 方法，从单目图像中生成 3D 头像。我们提出了一种半监督训练方案，通过同时学习光型平台和野外数据集来提高泛化性能，并利用一种新颖的可微分着色公式有效地分离面部参数，生成逼真且可重光的人物头像。此外，我们还推出了一个新数据集 FFHQ-UV-Intrinsics，该数据集提供了 10k 个主题的面部属性，包括漫反射、镜面反射、环境光遮蔽和透明度贴图，是首个公开的大规模数据集。

Dec, 2023

本文提出了一种用于 LiDAR 传感器的新型视角合成任务，并介绍了一种可微分的 LiDAR 渲染器及其结合神经辐射场的端到端框架，证明了该方法在多种数据集上的优越性。

Apr, 2023

该研究提出一种终端到端的学习逆渲染框架，利用可微分 Monte Carlo 光线追踪结合重要性采样，从单张图像中恢复基础几何、空间变化的光照、真实感材料。通过物理上基于不同 iable 渲染层与荧幕空间光线追踪的引入，创建大规模室内场景数据集，设计一种新颖的场外灯光网络进行评估，呈现出与业界最先进基线方法相比提高了的反向渲染质量，可以实现诸如高度保真的复杂物体插入和材料编辑等各种应用。

Nov, 2022

本文提出了一种基于可解释数据转换的新范式，以生成 AI 方法的输入，提供知识反馈，从而从数据中学习或改进高复杂度未知或未形式化的模型，此方法被成功应用与合成孔径雷达数据的混合建模和图像理解。

Jan, 2023