- 多视角立体下的自由视点室内神经光照重构
利用卷积神经网络构建的光照算法，可以实时改变室内场景的光照，并保持了物体的阴影和光泽材质，从而实现自由视点浏览。
- ECCV可逆神经 BRDF 用于物体反演渲染
本文提出了一种新的神经网络基于 BRDF 模型和贝叶斯框架，用于从一个已知几何物体的单个图像中联合估计反射和自然照明。该模型用可逆神经网络表达反射率，利用高维表示的表达能力，紧凑分析模型的计算简洁性和真实世界 BRDF 的物理可行性。实验表 - ECCV学习城市分解和重照
本文提出了基于学习的框架，将室外场景分解为时间变化的光照和永久场景因素，并组装了一个城市规模的带时间间隔的室外图像数据集进行训练。我们展示了学习得到的分解因素可以用来实现像改变光照效果和场景几何等功能。
- CVPRLighthouse: 预测具有空间一致性的照明光照体积
本文提出了一种使用深度学习模型对场景的三维模型进行预测，并通过标准体积渲染技术来估算场景中任何三维位置的入射光照强度，可以在没有地面真实三维数据的情况下进行训练，可用于在真实图像中插入高反光虚拟物体的空间变化照明估算方法。
- 将合成对象渲染到传统的照片中
提出一种能实现将合成物体逼真地插入到已有照片中的方法，仅需一幅图像和少量注释即可创建适用于逼真渲染合成物体的场景物理模型，经过用户研究证明合成图像与真实场景难以区分，并且对比其他插入方法都需要更少的场景信息和较高的逼真度，适用于影视和游戏行 - 重构人体灯光：全身人体图像的遮挡感知逆向渲染
本文介绍了一种基于卷积神经网络的监督学习方法，用于推断人像中的反照率、形状、照明以及包含每个像素点的九个球谐系数的光传输图，以达到更加真实的照明效果。通过对数据集的精心准备，即使只有少量的合成人物数据集，也可以合理地推断出几何信息，包括遮挡 - CVPR基于物理引导的定向光照下人脸修复学习
本文研究基于物理学原理的图像形成模型的深度学习架构，包括去除图像光线和校正漏光，并应用到肖像摄影数据库中。结果表明，该模型可以实现精确和可信的照明结果，并且可以推广到复杂的光照条件和挑战性姿势，包括主体未直视相机。
- 一般光照条件下的变分未校准光度立体重建
本文提出了一种高效的原则性变分方法来进行低限制的反射光照下未校准的 Photometric Stereo 技术，其中近似于通过球形谐波展开的兰伯特反射模型，通过单个变分问题来联合恢复形状，反射和光照。
- CVPR反向路径追踪用于联合材质和照明估计
Inverse Path Tracing 通过可逆光传输模拟，提出了一种新颖的方法，可以在保证物理正确性的情况下，同时获取室内场景中的光源和材料属性，并使用可微分的蒙特卡罗渲染器进行优化，以实现编辑和重渲染。
- 基于序列分解的联合增强和降噪方法
本文提出了一种联合的低光增强和去噪策略，通过 Retinex 模型基于分解进行顺序处理，对每个组件强制施加空间平滑性，巧妙地利用权重矩阵来抑制噪声和提高对比度，实现了对低光图像的有效增强和去噪。
- CVPR自监督多层面部模型学习，在超过 250 Hz 的单目重建中
本论文提出了一种基于联合学习参数人脸模型和面部形状、表情、反射和照明的回归器的方法，其结合了 3D 可塑模型（3D Morphable Model）的优点和学习校正空间的空外推广优点。
- CVPRInverseFaceNet: 深度单目逆向人脸渲染
InverseFaceNet 是一种基于深度卷积反渲染框架的新方法，可以实时地从单个输入图像中同时估计人脸的姿态、形状、表情、反射和照明，通过利用深度神经网络训练，结合实时的外观编辑和重新照明等高级处理技术，实现了高质量、高度还原的人脸重建 - CVPR对象检测提议在条件变化下的评估
本文介绍了一种将 Selective Search 和 EdgeBoxes 相结合的目标检测方法，并在环境变化下对其进行了实验验证，结果表明此方法在光照和视角变化下性能优于其他两种方法。