OpenIllumination 是一个包含 108k 多个图像的真实世界数据集，其中包括 64 个对象，具有不同的材料，在 72 个摄像机视图和大量不同的光照条件下捕获。我们提供了数据集中每个图像的准确相机参数、光照真值和前景分割掩码。该数据集可以对大多数反渲染和材料分解方法进行定量评估，并对数据集上的几种先进的反渲染方法进行了比较。数据集和代码可以在项目页面上找到：this https URL

Sep, 2023

提出了一种创造大规模室内场景的照片级真实数据集的新框架，可提供外观、布局、语义标签、高质量变化自由的 BRDF 和复杂照明等显著真实的基准数据，可用于逆向渲染、场景理解和机器人学，与物理引擎结合可创建具有摩擦系数等真实场景对应关系的虚拟机器人环境。

Jul, 2020

通过介绍 MatSynth 数据集，本文提出了一个比以前公开的数据集更大、更多样化且更高分辨率的材质数据集，详细讨论了数据采集过程，并展示了该数据集在材质获取和生成应用中的优势。

Jan, 2024

利用图像引导并借助三种类型的在线数据，包括形状集合、物质集合、及照片集合，使用大规模 3D 形状集合自动分配高质量、逼真的外观模型，利用卷积神经网络在大量合成的渲染图像中训练材料分类，再通过 3D-2D 对齐技术将材料传输到每个形状的不同部位，从而生成光真实、可重新采光的 3D 形状（PhotoShapes)。

Sep, 2018

介绍了一个新的光场数据集，并利用深度学习在 4D 光场上进行材料识别。实验中，最佳表现的 CNN 架构相比 2D 图像分类提高了 7％（从 70％到 77％），这些结果构成了对 CNN 应用于光场应用的重要基线。

Aug, 2016

本文介绍了一种包含近千个三维对象模型及超过 84 万个现实世界的 RGB 和深度图像数据集，旨在填补现有研究中缺乏的三维多视图重建的真实数据基准。该数据集通过半自动方式实现相机位置与物体姿态的精准标注，为形状重建、物体姿态估计、形状检索等 3D 应用提供了可能。数据集已开放，包含注释工具和评估基准源代码。

Mar, 2022

通过拍摄来自不同视角的 3D 点的表征，利用投影卷积神经网络架构来学习物质感知描述符，从而实现物质感知的 3D 形状分析，并且通过众包的方式构建了一个 3D 形状数据集，证明了其学习描述符在自动纹理、物质感知检索和物理模拟中的有效性。

Oct, 2018

本文介绍了一个新的、大规模、开放的野外材料数据库（Materials in Context Database，MINC），并结合深度学习，在野外图像中实现材料识别和分割。使用 MINC，我们训练了卷积神经网络（CNN）进行两个任务：对补丁分类的材料分类和在完整图像中同时进行材料识别和分割。通过在 MINC 上进行补丁分类，我们发现表现最好的 CNN 架构可以实现 85.2% 的平均分类准确度。我们将这些训练好的 CNN 分类器转换为高效的完全卷积框架，再结合完全连接的条件随机场（CRF）来预测图像中每个像素的材料，达到 73.1% 的平均分类准确度。我们的实验表明，在野外材料识别和分割中，拥有一个大型的、经过充分采样的数据集（如 MINC）至关重要。

Dec, 2014

通过构建真实世界数据集，本文介绍了用于测量物体重建和渲染以实现换灯效果的方法，通过在多个环境中捕捉环境光照和真实图像，可以从一个环境中的图像重建物体，并对未见过的照明环境对渲染视图的质量进行定量分析，并通过对比基线方法和最新方法的测试结果，显示出新视点合成不能可靠地衡量性能。

Jan, 2024

本研究旨在以图像和几何信息为基础来识别材料类别。我们提出了一个新的数据集来研究如何使用 3D 几何信息和 2D 特征来提高材料分类的准确性，并且结果表明联合和独立地使用 2D 和 3D 特征来模拟材料可以提高材料分类的准确性。

Jul, 2016