本研究提出了多种新方法用于深度场景表示和反渲染，包括神经反射场、基于BRDF的反射估计和间接光照恢复。这些方法结合了神经网络与物理模型，显著提升了图像渲染质量和光照重建能力，尤其在处理光泽物体和复杂光照场景方面表现优越。

本研究提出了BRDF-NeRF模型，用于理解卫星图像中的地球表面反射率。通过仅使用少量训练数据，该模型能够合成新视角并生成高质量的数字表面模型。

本研究探讨了卫星图像在野火监测中的应用，介绍了Sen2Fire数据集及其优化的光谱指数和气溶胶数据，提升了监测效果。同时，研究提出了基于深度学习的建筑高度估计和土地利用分类方法，强调了卫星数据在环境监测中的重要性。

本文综述了基于神经渲染与物理渲染的反演研究，重点是从二维图像重建物体形状、空间变化表面外观（BRDF）及光照，涵盖未知姿态与野外环境下的联合优化、反射物体几何与BRDF重建、单图形状外观估计、阴影引导隐式建模、室内场景反渲染，以及无纹理非朗伯物体的多视图几何重建等方法，实验证明其在质量与性能上优于现有方法。

本文提出了一种高效的多视角逆向呈现方法，用于重建室内场景的光照和材质。通过Texture-Based Lighting (TBL)实现直接光照和间接光照的紧凑表示，并提出了预计算辐照度的混合光照表示。通过材质优化策略消除材质歧义。实验结果表明该方法优于现有方法，并可应用于增强现实。