本文提出了一种新的方法来提高照明归一化的性能，通过建立反射模型和制定面部颜色外观的形成，生成了一种在对数颜色空间中稳健抵御照明变化的色度内在图像（CII）并在此基础上重新构建出逼真的面部彩色图像，实验结果表明该方法能够处理包括软阴影和硬阴影在内的照明变化，从而提高人脸识别的效果。

Oct, 2017

本文提出了一种方法，在不修改深度神经网络本身的结构下，通过半合成图像增加深度学习模型对于姿势和光照变化的适应能力，从而提升了现代人脸识别系统在具有挑战性的 IJB-A 数据集上的识别性能。

Apr, 2017

通过数据增强方法和欧几里得距离变换技术，本研究成功地模拟了视频中的强光、阴影效果，并训练出一个抗光照变化的深度学习模型，实现了背景减除的提高。

Oct, 2019

从具有异质亮度级别的低光条件下捕获的输入视图中合成新视图始终是一项挑战。本文提出了学习将亮度、光反射和噪声从输入视图中分解的方法，以便在异质视图中保持光反射不变。通过学习照明嵌入和优化噪声映射，以及设计照明调整模块来实现对照明的直观编辑，该方法实现了低光多视图噪声图像的有效内在分解，并在合成新视图方面在视觉质量和数值性能上优于现有方法。

Mar, 2024

我们提出了一种新颖的深度人脸光照方法，通过学习预测源图像和目标图像之间的比值图像，同时使用估计的阴影掩码准确修改影子，使得我们能够在保留本地面部细节的同时重新照明图像，并使用阴影掩码来估算图像中的环境光强度，在 Multi-PIE 和 FFHQ 数据集上进行定量和定性评估，证明了我们所提出的方法在保留主体的本地面部细节，并能够准确地处理深硬阴影的同时达到了最先进的人脸光照效果。

Apr, 2021

本文提出了一种利用单张图片中的人脸来估计场景光照的方法，通过深度神经网络提取高光并追溯回环境中，得到非参数化的环境图，该方法表现出了最新技术水平，适用于各种室内外场景。

Mar, 2018

本研究介绍了一种在内在图像领域中制定的自我监督照明协调方法，通过估计中级视觉表征生成的大体阴影，再通过网络对其进行修正以生成与背景场景一致的协调再阴影，结合先前协调方法的思想，在色调域中执行参数化图像编辑，实现前景与背景的颜色外观匹配，并通过挑战性实际复合结果和用户研究验证我们方法的有效性和与最先进的协调方法相比增强的真实感。

Dec, 2023

该论文提出了一种名为 “Neural Illumination” 的新方法，将光照预测分解成几个简单的不同 iable 子任务：几何估计、场景完成和 LDR-to-HDR 估计，并表明与以前的方法相比，该方法在定量和定性方面都得到了显着的改进。

Jun, 2019

本文提出一种新的自校准照明（SCI）学习框架，用于在低光环境下快速，灵活和准确地增强图像，通过耦合权值共享的级联照明学习过程来实现此任务，从而极大地减少计算成本，提高模型适用性。

Apr, 2022

用于人像与新背景合成的一种考虑照明效果的扩散模型，通过引入灯光表示模块、对齐网络和数据模拟管道，实现了对全局色彩和亮度的调整以及场景中来自背景的关键照明线索的融合。该方法在视觉保真度和照明连贯性方面优于现有基准，在实际测试中表现出卓越的泛化能力，凸显了其多功能和实用性。

Dec, 2023