深度照明网络：图像光源操作
本文介绍了一种基于小波分解的编码器 - 解码器网络，命名为 WDRN，用于解决一对一的照明重新校准问题，提出了一种名为 gray loss 的新型损失函数以保证对地真图像中照明的梯度在不同方向上的高效学习，该方案在 AIM2020 工作坊的 relighting 挑战活动中获得了第一名。
Sep, 2020
通过使用堆叠深度多尺度分层网络，我们提出的解决方案在不同尺度的每个图像中聚合特征，可有效地从输入图像到目标图像转换图像照明设置，同时使用两个不同的损失函数，多步训练方法可显著提高性能，并实现光照变换的高质量重构，从而使照片增强成为无需人为干预的可能。
Jul, 2021
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
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
通过基于单图几何重建的框架实现针对人体的单张图片重照，在去除光照的同时，通过采用经过修改的 HRNet 和基于光线追踪的每像素灯光表示方法，恢复逼真的阴影，展现出包括硬阴影在内的高频阴影效果，优于先前的方法。
Jul, 2022
本研究提出了一种新的两阶段深度网络，旨在通过第一阶段的图像增强任务和第二阶段基于数据样本的色调映射和位扩展，将单次曝光的低动态范围图像映射成高动态范围图像，无需了解相机响应函数（CRF）和曝光设置等硬件信息。实验结果表明，该方法可以在质量和数量上超过现有的低动态范围到高动态范围的工作，并且在真实世界低动态范围图像评估中也能够重建出逼真的 HDR 图像。
Apr, 2021
我们使用深度图像先验网络（DIP）和鲁棒特征提取网络，通过只使用两个图像在目标环境中以一致的方式渲染源片段，实现了在需求背景下插入所需对象的方法。与基准方法（如剪切和粘贴、剪切和粘贴神经渲染、图像协调等）相比，我们的方法不需要配对标记的数据和大量训练数据，通过定性指标进行了比较。
Jan, 2024
本文提出了一种基于数据驱动的方法，利用预计算辐射传输和球谐光对全身人物图像进行自动换光。与以往工作不同的是，我们通过显式建模散射和镜面反射来消除对 Lambertian 材料的假设，同时引入了基于光的残差项来补偿 PRT 图像重建中的误差。我们提出了一种新的深度学习架构，经过特殊的 PRT 分解训练，并使用 L1、对数和渲染损失的组合进行训练。对于合成图像和照片，我们的模型在全身人类换光方面均优于现有技术。
Jul, 2021
本研究提出了一种基于深度引导的图像插值模型，使用神经网络的编码器解码器模型及注重照明有关区域的注意力模块和强化模块进行处理，实现了 NTIRE 2021 深度引导下任意图像照明挑战的第三高结构相似度。
May, 2021