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

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

本文提出了一种用于室内场景的统一、基于学习的逆渲染框架，包括反照率、法线、深度和三维空间变化的照明的联合估计，其中设计了一种基于物理学的可微渲染器，利用我们的三维照明表示，形成能量守恒的图像形成过程，实现所有内在属性的联合训练，以重新渲染约束保证物理正确性，实验表明，该方法在量化和质量上优于之前的工作，能够为增强现实应用（例如虚拟物体插入）产生逼真的结果，即使对于高度镜面的物体也是如此。

Sep, 2021

提出了一种利用深度神经网络从单张室内场景图片中估算光照的方法，利用离散化的 3D 灯光几何和光度参数进行表征，并证明该方法比以往方法更加精确并能支持空间变化光照的三维物体合成。

Oct, 2019

本文提出了一种基于深度学习和编码隐空间技术，利用包含 21000 个高动态范围室内环境地图的数据集，从单张室内物体图片中准确预测环境光的方法。

Jun, 2018

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

我们提出了一种轻量级的解决方案，用于从单个 RGB 图像估计室内灯光的空间一致性。我们引入了一个统一的、基于体素八叉树的光照估计框架，以生成 3D 空间一致的照明。此外，我们提出了一个可微的体素八叉树锥追踪渲染层，用于消除整个过程中的常规体积表示，并确保在不同频域之间保持特征。实验结果表明，与先前的方法相比，我们的方法在极小的成本下实现了高质量的一致估计。

Apr, 2024

本研究提出了一种实时方法来从单个 RGB 图像估计空间变化的室内照明，使用一个 CNN 模型，它可以在少于 20ms 的时间内在笔记本电脑移动图形卡上预测给定位置处的照明情况，并且不需要任何几何信息，可以直接用于增强现实应用，可以实时在场景中的任何位置更改虚拟物体的光照效果。经过定量实验和用户研究，我们的方法比现有方法具有更低的照明估计误差和更好的用户体验。

Jun, 2019

本文提出了一种使用神经渲染框架的方法，通过利用预测的深度数据和光源分割掩模，从单个图像中编辑复杂室内照明，解决了通过局部 LDR 场景观察从而对 HDR 照明进行建模和分离的难题，其特点在于综合使用场景重建和参数化 3D 照明的方法。

May, 2022

本文介绍了一种基于卷积神经网络的方法来从低动态范围（LDR）图像中估算高动态范围（HDR）全景图的户外照明，通过训练网络并提取大量的输入图像与输出照明参数对，本文的方法允许恢复真实感照明条件并能从单一图像中实现逼真的虚拟物体插入。

Nov, 2016