该文介绍了使用具有灵活监督损失层的深度学习方法来实现自然图像的固有反射和阴影层解析分解，并展示了其在所有主要内部图像基准测试上取得的最先进结果。

Jan, 2017

该论文提出使用深度卷积神经网络解决困难的内在图像分解问题，通过对真实图像和合成图像模型的混合训练，以及引入 Bilateral Solver 层，进一步改进结果，实现了对各种数据集包括真实世界场景的不同光照图像的理想产出。

Jul, 2018

本文提出了一种基于数据驱动的方法，用于分解内在图像，通过训练模型预测图像片段之间的相对反射顺序并将其应用于能量最小化框架，以获得更好的效果。

Oct, 2015

本文提出了使用解释输入图像的方法来学习内在图像分解，在单个图像上执行反射、形状和光照条件的预测。该网络利用无监督重建误差信号来提高中间表示的质量，使得大规模未标记数据在训练中有用，并且能够将所学知识应用于不同的对象类别、光照条件和形状的图像上。实验结果表明，该方法对内在图像分解和知识传递均表现出色。

Nov, 2017

本文提出了一种新颖的无监督内在图像分解框架，不依赖于标记的训练数据和手工制作的先验。通过探索反射和阴影之间的独立性、域不变内容约束和物理约束，直接从无监督和不相关的数据中学习反射和阴影的潜在特征。在合成和实际图像数据集上的广泛实验表明，所提出的方法具有一致的卓越性能。

Nov, 2019

本文探讨使用先验知识在分离图像的内在成分中的反射率和阴影层时的高性能方法，并提出了一种基于 CNN 学习和使用先验知识的损失函数，后者可以实现强反射不变性的联合双边滤波方法，达到在我们提供的对多个算法进行内在成分分解的标准基准测试上的最佳性能。

Dec, 2016

该论文提出了一种基于边缘驱动的混合卷积神经网络方法，用于固有图像分解，取得了良好的效果，并将全局和本地提示区分开来以提高网络性能。

Mar, 2022

使用卷积神经网络 (CNN) 和 MPI Sintel 数据集进行直接本质分解的新方法表现出色，超过了以前所有的工作，其结果证明了 CNNs 与合成训练数据的结合可能是解决计算机视觉中经典问题的有力新技术。

Dec, 2015

本文提出一种通过 Range-Nullspace 分解的深度学习框架，为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解，模型获得了更多的物理信息，可以有效提高神经网络的学习性能和实际表现。实验结果表明，该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。

Nov, 2019

该论文提出了一种基于深度学习的 Retinex 模型，可以更好地应对不同环境下光照不足的图像增强问题，通过红外辅助拍摄低光图像构建了一个 LOL（Low-Light）数据集，并使用其中的图像进行训练，实验结果表明该方法在增强低光图像质量方面具有很好的效果。

Aug, 2018