人像阴影处理
这篇论文提出了一种新方法，通过使用虚拟光源阵列来生成数据集，以代替使用高昂的专用抓取设备，从而实现高质量人像重新照明，同时保持真实感和物理上的一致性。
Sep, 2022
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
本研究介绍了第一个基于深度学习的方法，用于去除自由拍摄的广角人像照片中的透视失真和形变等因素，建立了一个包括 LineNet，ShapeNet 和 transition module（TM）的级联网络，并提出了两个新的度量标准：线条一致性和面部一致性，相比之前的最先进方法，本方法不需要相机失真参数，能够在身份、场景和相机模块的大多数多样性方面得到较好的性能。
Apr, 2021
本文提出了一种新的框架，以检测和去除肖像图像中眼镜及其产生的阴影，通过使用合成肖像数据集，并应用跨域技术，该方法为第一种同时去除眼镜和阴影的技术。
Mar, 2022
本文提出了一种带有多个光度级别图像的 Brightness-Variation 数据集，通过实验发现 Deep Neural Network 的性能易受光照变化的影响，并评估了几种鲁棒性训练技术的效果。
May, 2023
我们开发了一种个性化视频照明算法，在任何姿势、表情和照明条件下实时生成高质量和时间一致的照亮视频。通过随意捕捉用户在监视器上观看 YouTube 视频的视频，我们展示了可以训练一种个性化算法，能够在任何条件下产生高质量的照明。我们的关键贡献是一种新颖的神经照明架构，能够有效地将内在的外观特征、几何和反射从源照明中分离出来，并将其与目标照明结合起来生成一个照亮图像。这种神经架构能够平滑内在的外观特征，从而实现时间稳定的视频照明。定性和定量评估表明，我们的照明架构在随意捕捉的 Light Stage at Your Desk（LSYD）数据和一次只捕捉一个光的 Light Stage (OLAT) 数据集上，比最先进的方法改进了肖像图像的照明质量和时间一致性。
Nov, 2023
本文提出了一种基于轻度信息引导的深度学习方法，分为两个 CNN 模块完成去阴影操作，通过非配对数据的训练达到了优于现有方法的效果。
Jun, 2020
提出一种基于学习的光扩散方法来改善肖像照片的照明，使得整个场景的光照得以保留，同时柔化过于强烈的阴影和高光，并设计一种方法来生成逼真的外部阴影。最终实现提高高级视觉应用程序如反照率估计、几何估计和语义分割的鲁棒性。
May, 2023
本篇论文提出了一个基于深度学习的图像纠正技术，能够有效去除近距离人像照片中透视失真等伪像，同时还能自动推断遮挡的面部特征，该方法不需要先配合三维面部模型，并且可以显著提高人脸识别和三维重建的准确度，实现单幅肖像图像的相机标定。
May, 2019