本研究提出了“神经光源”框架，利用二维扩散先验的多光源条件，解决了从单幅图像恢复物体几何形状和材料的问题。该方法显著提高了表面法线和材料的预测准确性，并实现了生动的重照明效果。

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。

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。