本文提出了一种使用深度相机的非正式捕捉装置来估计织物的机械参数的方法，并通过使用 sim-to-real 策略训练学习框架来输出全部机械参数，与现有的成本高的捕捉方法相比，本文提出的解决方案可以快速捕捉并大规模生产。

Apr, 2023

该论文提出了一种深度学习方法，可以从不确定数量的拍摄的无序图片中估计材料外观，无需校准，并通过提取每张图片中的最有用的信息并从数据中学到的先验知识，处理视角和光线方向的变化，从而实现对材料的捕捉，并在单张至多张图片的输入条件下，实现与现有单张和复杂多张方法之间的完美平衡。

Jun, 2019

本文介绍了一种基于深度学习的方法，利用极化光学的属性对记录的辐照度的反射和透射成分进行分离，并通过准确的合成数据生成管道进行训练，以模拟现实世界中包括曲面和非理想表面产生的反射、非静态场景和高动态范围场景等，从而提高在半反射体引起的反射对计算机视觉算法性能的干扰相关应用的鲁棒性和泛化能力。

Dec, 2017

本文介绍了一种用于实景透明物体的高精度 3D 采集和重建方法，通过使用静态背景和编码模式，建立了相机视野光线和背景上位置之间的映射，并使用不同 iable 跟踪折射光线路径直接优化目标物体的 3D 网格近似，同时保证剪影一致性和平滑度。

Sep, 2020

本文提出了一种基于学习的、适用于 3D 扫描与融合系统的、从 8 位 RGB 图像中实时直接估算表面反射率的轻量级方法，并设计了两种新的网络架构和一种损失函数，同时还建立了一个大型合成数据集 SynBRDF 用于反射率估算。实验结果表明，该方法对于未受控制环境下的反射率估算具有优越性。

May, 2017

本研究提出了一种基于多视角立体网络、光谱反射率、深度学习的方法，旨在从六幅图像中重建物体的高质量几何结构和空间变化的 BRDF，通过最小化光度误差优化多视角反射率网络的潜在空间，成功地实现了从稀疏数据中重建出高质量的物体，进而渲染出真实的图像。

Mar, 2020

本研究提出一个轻量级神经网络，能够以多个尺度表示不同类型的机织面料，通过编码面料图案和参数为一个小的潜在向量再经由一个小的解码器进行解释而实现。该网络通过像素的足迹作为输入，实现了多尺度表示，其结构轻量且占用存储空间小，能够以接近 60 帧每秒的速度在 RTX 3090 上渲染和编辑机织面料，并且不出现可见的走样和噪声。

May, 2024

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

本文提出了一种新的、基于深度神经网络的反射光去除算法，该算法采用两个级联模型，第一个模型用于估计反射层，第二个模型则利用反射层信息指导透射层估计，该算法在五个不同数据集上的实验表明其在定量和定性上比目前最先进的算法表现得更好。

Dec, 2020

这项研究探讨了将人类反馈纳入基于扩散的文本到图像模型生成过程中的策略，提出了一种适用于广泛扩散模型的无需训练的方法，利用自注意力层来在扩散过程中给出一组反馈图像条件。通过详尽分析显示，通过多轮迭代反馈，生成结果得到改善，隐含地优化任意用户偏好，并且这些发现的潜在应用范围延伸到个性化内容创作和定制领域。

Jul, 2023