本文介绍了一种基于表面模型的神经重建方法 Neural Reflectance Surfaces (NeRS)，通过表面重建和双向反射分布函数 (BRDF) 学习了拍摄对象的形状、漫反射颜色和镜面高光等参数，适用于多角度拍摄的实际场景数据。

Oct, 2021

本文提出了一种基于深度多层感知器（MLP）的坐标系参数化方法，通过充分利用观察到的光度变化和表面阴影，恢复了表面形状和非兰伯特表面反射，并显式地预测投射阴影，减轻了这些遮挡区域上可能存在的估计误差。测试结果表明，该方法在真实世界图像中优于现有方法，并且由于 MLP 网络较小，相比以前基于 CNN 的方法，其速度提高了一个数量级。

Mar, 2022

本研究提出了一种新颖的NeuS-HSR表面重建框架，基于隐式神经渲染，通过对高度镜面反射的干扰的降低，与物理假设相结合的新颖辅助平面模块的设计，来实现对目标表面的精确重建，并在合成和实际数据集上进行广泛的实验来验证其性能。

Apr, 2023

本文提出了一种新方法，使用预积分渲染有效地学习可重构的神经表面，同时在神经隐式场内学习几何、材料和照明等物理属性，并在协作上进行优化，实现了在合成和真实数据集中超越现有技术的效果。

Jun, 2023

提出了UniSDF，一个可以重建具有反射表面的大规模复杂场景的通用3D重建方法。通过在3D空间中明确混合视图和反射颜色预测参数化技术，使得重建的表面在几何上更准确，特别是对于反射表面。通过与多分辨率网格主干结合，该方法以粗糙到精细的方式进行训练，实现比以前的方法更快的重建速度。大量实验表明，该方法能够稳健地重建具有精细细节和反射表面的复杂大规模场景。

Dec, 2023

利用表面先验信息实现稀疏视角下高保真度的重构，通过全局几何对齐和本地几何细化，优化粗糙形状和细节，实现的稀疏视角重构框架在稀疏视图下得到了显著提升。

Dec, 2023

通过基于高斯的法线表示，本文提出了一种监督的方式来学习反射场景中几何形状的细节，通过极化先验引导几何学习，并通过优化过程中的重新权重策略来减轻极化先验的噪声问题，实验证明本文的方法在反射场景的神经三维重建中表现出色。

Mar, 2024

提出了一种基于反渲染的新型框架，通过学习分离部分偏振弥散和镜面反射成分来估计具有混合偏振的对象和场景的三维形状，并在完全自我监督的环境下解决了缺少地面真实表面法线数据、已知折射率和受限扫描仪分辨率的问题。

Jul, 2024

本研究解决了神经隐式表示的多视角3D表面重建中，传统方向参数化（视角方向和反射方向）在重建复杂表面时的不足。提出了一种新型混合方向参数化方法，该方法有效改善了对不同材质和几何形状物体的重建效果，实验结果表明其在性能上优于现有方法，且几乎无参数，易于集成到现有神经表面重建技术中。

Sep, 2024

该研究解决了现有神经辐射场在处理复杂平面反射时的局限性，尤其是低频反射不足的问题。提出了一种反射感知的神经辐射场，能够同时建模平面反射体并精确捕捉高频反射的源。研究结果表明，该方法显著提高了场景几何的准确性和反射效果的细节展示。

Nov, 2024