使用 EMLight 框架，将光照地图分解为球形光分布、光强度和周围环境项，并利用回归网络和神经投影仪进行精确的光照估计，该方法准确性高且比现有方法在 3D 对象嵌入中生成更具可信度和保真度的光照地图。

Dec, 2020

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

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

本文提出了一种使用深度学习模型对场景的三维模型进行预测，并通过标准体积渲染技术来估算场景中任何三维位置的入射光照强度，可以在没有地面真实三维数据的情况下进行训练，可用于在真实图像中插入高反光虚拟物体的空间变化照明估算方法。

Mar, 2020

我们介绍了一种新的框架，使用数据驱动方法来模拟和校准摄像机 - 光源系统，并应用于创建一种可重新照明的 3D 高斯场景模型，从而实现了从新的视点进行实时、逼真渲染的能力，并展示了我们所提出的模拟器和系统在各种实际环境中的适用性和强健性。

Mar, 2024

本文提出了一种从单个视角图像中估算室内场景照明的方法，该方法估算出易于编辑的参数化光源，并结合高频信息的非参数纹理，实现宏观阴影和细节表面反射的逼真渲染效果。定量和定性结果表明，该方法简化了室内照明估算过程，同时仍能产生竞争性的结果。

Nov, 2022

在本文中，我们通过使用一组可重新照明的 3D 高斯点来表示点光源照亮的场景，提出了一种新方法。受到 Blinn-Phong 模型的启发，我们的方法将场景分解为环境、漫反射和镜面三个组成部分，实现了逼真的照明效果合成。为了促进与光照条件无关的几何信息的分解，我们引入了一种基于双层优化的元学习框架。基本思想是将各个光照位置下的渲染任务视为多任务学习问题，我们的元学习方法通过在不同视点和不同光照位置中泛化学习到的高斯几何形状，有效地解决了这一问题。实验证明，与现有的自由视点重新照明方法相比，我们的方法在训练效率和渲染质量方面具有较高的效果。

May, 2024

提出了一种方法，通过逆向渲染的物理原理来约束解决方案，同时利用神经网络来增强处理的计算能力，以提高对嘈杂输入数据的鲁棒性并实现高精度的目标物体光照估计，从而在 AR 情境下实现真实感增强。

Aug, 2020

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

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