本研究提出了“神经光源”框架，通过单幅图像恢复物体的几何形状和材料，利用多光源条件增强估计，显著优于现有技术，能够准确预测表面法线和材料，实现生动的重照明效果。

研究人员提出了一种新的测量原理，通过结合偏振线索和几何信息，准确解码高光面反射的光场中的信息，并解决3D测量中的问题。该方法改进了测量结果，验证了在复杂形状的高光表面上通过单次和多次拍摄的测量手段，表面法线的精度在0.6°以下。

本文提出了一种新型的物理推动深度学习框架，用于单目深度估计和补全任务。该方法通过估计表面法线和距离图，并规范化转换为深度图。实验证明，该方法优于先前的方法。