本文提出了一个自动方法，通过使用一个有限的视野、低动态范围的室内场景的照片来推断高动态范围的照明。通过使用深度神经网络，我们训练了一个分类器来自动注释 LDR 环境地图中光源的位置，然后利用这些注释来预测场景中光的位置，从而 fine-tune 这个网络来预测每个光源的强度，可以自动获得高质量的 HDR 照明估计结果，从而可以实现逼真的照片级结果。

Apr, 2017

该研究提出了一种物理动机的深度学习框架，可以解决室内光照估计的问题，通过 SGLV、体积光线跟踪、混合网络、 Monte-Carlo 渲染层和 RNN 等多种技术手段，其可以在单张图片或视频序列上预测整个场景下的光照，达到高质量、实时、高度真实感的场景光照预测和增强渲染。

May, 2023

从多视角、低动态范围（LDR）图像中恢复场景的基于物理的材质属性和空间变化的高动态范围（HDR）照明，实现了高度逼真的重照和物体插入。

Jan, 2024

该研究提出了一种基于卷积神经网络的方法，能够实时从狭窄的 LDR 相机图像估计 HDR 环境映射，从而在增强现实中呈现任何材质表面的虚拟物体的感性吸引的反射和着色，此算法比现有技术将光源方向估计的误差降低了 50% 以上，FID 也获得了 3.7 倍的降低。

Nov, 2020

本研究描述了一种基于对原生 LDR 图像的最佳视觉特征复制目标的新的色调映射方法，通过无关的 HDR 和 LDR 图像数据集的对抗性训练生成具有照片般逼真质量的无伪影图像，并通过不同的图像保真度指数和视觉距离证明其实现的最新性能。

Oct, 2021

本研究提出了一种基于学习的逆色调映射方法，利用深度自动编码器从非线性、饱和、低动态范围全景图中回归出线性的高动态范围数据，以验证该方法在捕获户外环境映射和图像匹配等方面的实用性。

Mar, 2017

本文提出了一种使用神经网络从单张 LDR 图像中预测 HDR 户外照明的方法，其核心是利用一种从任何天气条件下的 LDR 全景图精确学习 HDR 照明的方法。通过在合成和真实图像的组合上训练另一个 CNN 来实现以上方法，根据 Lalonde-Matthews 户外照明模型回归参数。该模型被训练来重建天空的外观，并呈现对象被此照明照亮后的外观。作者使用此网络标记了一个大规模的 LDR 全景数据集，并用它们来训练单张图像户外照明估计网络。实验证明，我们的全景和单张图像网络都优于现有技术，并且与先前的工作不同，能够处理从全晴天到阴天的各种天气状况。

Jun, 2019

该研究论文提出了一种基于深度学习的方法，用于从阴影和高光中恢复复杂细节以及重建高动态范围图像，通过图像到图像转换任务，提出了一种基于条件性去噪扩散概率模型（DDPM）的框架，并在该框架中结合了深度卷积神经网络（CNN）的自编码器来提高用于条件化的输入 LDR 图像的潜在表征质量，此外引入了一种新的损失函数来改善 LDR-HDR 转换任务的结果质量。通过全面的定量和定性实验，有效地展示了该方法的优越性，结果表明简单的基于扩散的条件方法可以取代复杂的基于相机管线的架构。

Jul, 2023

通过联合训练光学编码器和电子解码器，优化 PSF 参数的镜头表面，并将其作为硬件附加件添加到传统相机中，我们证明这种深度光学成像的单拍 HDR 成像方法优于纯 CNN 方法和其他 PSF 工程方法。

Aug, 2019

本文提出了一种基于深度神经网络和卷积神经网络的新型算法来重建高动态范围图像，其方法相较于传统算法在可视化品质和峰值信噪比方面有较大幅度的提高。

Jan, 2018