本文介绍了一种深度学习方法，解决光度立体问题，能够在已知光照方向下处理未知反射表面，生成表面法线图。同时，提出了一种新卷积网络以处理光照方向未知的情况，实验结果表明该方法在效率和准确性上优于现有技术。

本文介绍了多种基于深度学习的光度立体技术，如DANI-Net和SDM-UniPS，旨在解决复杂反射材料和未知光照条件下的三维重建问题。这些方法通过神经网络实现高精度的表面法线和反射率估计，性能优于传统技术。

该文汇总了多个真实世界光照与三维数据集，包括：OpenIllumination（含108k图像、64个物体、72个视角及光照真值，用于反渲染评估）、ReNe数据集（支持NeRF重照明）、近千个三维模型与84万张RGB-D图像的基准、VIDIT虚拟场景、多光照真实场景、Stanford-ORB逆向渲染基准以及LUCES近场光度立体数据集，以推动光照估计、重照明与三维重建研究。