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

我们提出了一种数据驱动的天空模型，利用单张图像进行室外照明估计，通过综合数据集来训练，并成功解决了光照建模和估计问题。我们的方法可以直接从测试图像中估计 HDR 照明环境映射，发现我们的学习天空模型表现出很强的适应性和表现力，能够恢复出合理的光照，实现真实的虚拟对象插入。通过广泛的验证，我们的方法优于先前的最先进技术。

May, 2019

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

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

本文提出一种用于户外场景的光照估计的深度学习方法，并通过建立一个包含 HDR 天空穹、基于体积渲染的光照模型和可微分的物体插入式训练框架，实现了对具有阴影的物体完全可微的插入和渲染，为自动驾驶应用提供了更真实的增强数据。

Aug, 2022

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

本文提出了一种使用神经网络从单张 LDR 图像中预测 HDR 户外照明的方法，其核心是利用一种从任何天气条件下的 LDR 全景图精确学习 HDR 照明的方法。通过在合成和真实图像的组合上训练另一个 CNN 来实现以上方法，根据 Lalonde-Matthews 户外照明模型回归参数。该模型被训练来重建天空的外观，并呈现对象被此照明照亮后的外观。作者使用此网络标记了一个大规模的 LDR 全景数据集，并用它们来训练单张图像户外照明估计网络。实验证明，我们的全景和单张图像网络都优于现有技术，并且与先前的工作不同，能够处理从全晴天到阴天的各种天气状况。

Jun, 2019

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

我们研发了一个深度学习网络，用于在各种照明条件下估算高光谱图像的照明光谱，并开发了一个数据集 IllumNet 来支持其研究，采用 ResNet18 网络和 3D 内核来适应光谱数据，并使用立方平滑样条误差成本函数平滑预测的照明光谱，实验结果表明该模型可以精确输入照明光谱。

May, 2023

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