本文提出了一种新的使用视点和极化数据来完整分离漫反射和镜面反射组件、恢复折射率和最终恢复三维形状的方法，在分离过程中涉及了极化的物理特性，证明了与基准方法有竞争力的结果，并恢复了其他信息（例如折射率）
May, 2016
本研究运用深度学习探讨了极化成形（SfP）问题。通过将物理模型融入神经网络架构中，创新性地兼顾了数据驱动和物理驱动，取得了在不同光照、材质和涂装条件下的最佳测试结果。
Mar, 2019
该研究论文提出了一种针对服装人体的三维形状估计方法，通过使用极化图像捕获几何线索来重构人体表面法线图，并采用深度学习模型将其转化为3D人体形态估计，其结果表明极化相机对于人体形态估计是一种有前途的替代方法。
Jul, 2020
本文提出了一种使用偏振线索高效获取物体形状和空间变化反射的新方法，其中偏振成像与深度学习相结合，可以在正面闪光照射下使用单视角偏振成像实现高质量估计物体形状和反射。
May, 2021
该研究提出了一种新的基于数据驱动和物理学先验信息的场景级别单极化图像法线估计方法，并且建立了第一个真实场景级别形态恢复数据集。该方法采用了多头自注意力与视图编码来处理在野外环境中形成的极化杂波和联机投影问题，实验结果表明，相对于现有的形态恢复方法，该方法具有更好的性能。
Dec, 2021
使用PANDORA，通过多视角极化图像，提取物体的3D外观，分离出漫反射和镜面反射的光线，估算照射在物体上的光并输出优于现有的辐射分解技术的清晰的表面重建，准确建模强烈的高光反射并在实际非结构化场景下估算光照。
Mar, 2022
本研究提出了第一个自监督的多模态RGB+偏振图像的6D目标姿态预测方法，通过物理模型、师生知识蒸馏和逆可逆的物理约束等方式实现了稳健的几何表征和对偏振光的特征编码。通过自监督训练和物理约束，得到了准确的物体外观和几何信息，特别适用于具有挑战性纹理、反光表面和透明材料的物体。
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
我们提出的NeRSP是一种用于具有稀疏偏振图像的反射表面的神经3D重建技术。通过利用偏振图像，我们共同处理了稀疏输入和反射表面所带来的挑战，并通过多视角一致性优化了表面几何模型。在合成和真实数据集上的实验证明，我们仅使用6个视角的输入就实现了最先进的表面重建结果。
Jun, 2024
我们提出了一种新颖的基于学习的方法，通过利用极化线索来联合估计半透明物体的形状和次表面散射(SSS)参数。
Jul, 2024