本文主要介绍了 NTIRE 2021 深度引导图像重照明挑战，分别根据图像的深度信息完成了一对一的图像重照明和任意到任意的图像重照明，最后给出了该挑战的方法和结果。

Apr, 2021

该研究提出了一个名为 VIDIT 的虚拟图像数据集，旨在创造参考评估基准，并推进照明操作方法的开发。该数据集包含 300 个虚拟场景，用于训练和评估照明转移算法，对于领域适应和培训有很大的帮助。

May, 2020

本研究介绍了一个包含超过 1000 个真实场景的多光照数据集，每个场景都在 25 种不同的光照条件下进行了捕获。作者使用此数据集训练了针对三个应用的最新模型：单张图像光照估计、图像重新照明和混合光源白平衡。

Oct, 2019

通过构建真实世界数据集，本文介绍了用于测量物体重建和渲染以实现换灯效果的方法，通过在多个环境中捕捉环境光照和真实图像，可以从一个环境中的图像重建物体，并对未见过的照明环境对渲染视图的质量进行定量分析，并通过对比基线方法和最新方法的测试结果，显示出新视点合成不能可靠地衡量性能。

Jan, 2024

本文介绍了一种新的基于图像的重新照明管道 SIMBAR，可以使用单个图像作为输入来改善现有的自动驾驶视觉任务数据集，通过与基准方法进行实证比较和对象检测跟踪实验，结果显示 SIMBAR 的数据增强效果显著，取得了很好的实验成果。

Apr, 2022

本文介绍了第二届 AIM 学习的 ISP 挑战赛的参赛队伍根据所提出的解决方案和结果。参赛者必须将由华为 P20 手机拍摄的原始低质量 RAW 图像映射到使用佳能 5D DSLR 相机获得的相同照片，该任务涵盖了许多复杂的计算机视觉子任务，例如图像重采样，去噪，白平衡，颜色和对比度校正等。挑战使用精度分数（PSNR 和 SSIM）和用户研究测量的解决方案的感知结果对目标指标进行评估。提出的解决方案显着改善了基线结果，定义了实际图像信号处理流水线建模的最新技术成果。

Nov, 2020

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

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

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

本文提出了一种基于深度学习的图像去光照方法，将传统方法和深度学习模型相结合，并且通过物理洞察力量化来丰富神经网络，实现了对图像的更好去光照。

May, 2021