本文利用可微分渲染器提取并分离生成模型中的 3D 知识，将生成对抗网络作为多视图数据生成器，使用现成的可微分渲染器训练逆向图形网络，并将训练好的逆向图形网络作为教师，将 GAN 的潜在向量分离为可解释的 3D 属性。我们的方法在现有数据集上对最先进的逆向图形网络进行定量和用户研究，并显示分离的 GAN 作为可控的 3D “神经渲染器”，补充传统的图形渲染器。

Oct, 2020

该研究提出了一种反渲染模型，可以从一对仅捕获到的半透明物体的图像中，联合预测 3D 形状、可变反射率、均匀次表面散射参数和环境光照。研究者还使用了基于物理和神经渲染器来解决反渲染中的模糊问题，并构建了庞大的合成数据集来验证模型的有效性。

May, 2023

通过使用完全卷积神经网络，我们展示了如何从单幅未受控制的图像执行反渲染。我们的网络使用大型未受控制的图像集进行训练，并通过引入可微分渲染器来进行自监督学习。同时，我们还通过学习一个统计的自然照明先验和离线多视图立体成像来提供额外的监督。这是第一次尝试使用多视图立体成像监督学习反渲染。

Nov, 2018

我们提出了一种基于学习的图像引导渲染技术，结合了基于图像的渲染和基于 GAN 的图像合成的优点，旨在生成虚拟和增强现实应用程序的重建对象的逼真重新渲染，一个我们工作的核心组件是处理视点相关效应，我们在方案中直接训练一种特定于对象的深度神经网络合成对象的视点相关外观。

Nov, 2018

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

该论文提出了一种从图像中直接学习神经场景表示的框架，通过引入一种强制要求该场景表示对于 3D 变换等变的损失函数，使得我们可以实时推断和渲染场景，并在标准 ShapeNet 基准测试上获得了很好的结果。

Jun, 2020

本文提出了一种基于学习的逆向渲染方法，通过构建 Residual Appearance Renderer（RAR）来综合估计户内场景的反射率、法线和照明，使用基于物理的渲染技术创建了大规模的合成数据集。实验结果表明，该方法优于已有的估计一种或多种场景属性的最先进方法。

Jan, 2019

本文介绍了如何使用完全卷积神经网络从单个未受控制的图像中恢复场景的形状，反射和照明。通过在包含丰富照明变化的图像上执行离线多视图立体（MVS）和学习统计自然照明先验，我们可以获得额外的监督，并在反渲染和其他基准测试中评估其性能。

Feb, 2021

本研究提出了逆向传输网络作为学习体系结构，以解决逆渲染问题，其中我们通过给定输入图像测量值来推断物理场景参数，如形状、材料和光照。我们还创建了一个通用的物理精确可微分渲染器，并证明了逆向传输网络可以有效地进行训练，并且在出现从未见过的场景时有更好的泛化性能。

Sep, 2018

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