本文回顾了 AIM 2020 挑战赛中有关虚拟图像照明和光照估计的部分，介绍了在此挑战中使用的新型 VIDIT 数据集以及展示的不同解决方案和每个赛道的最终评估结果。

Sep, 2020

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

该论文回顾了 NTIRE 2021 高动态范围（HDR）成像挑战赛的首次挑战，着重讲述了新引入的数据集、提出的方法及其结果。该挑战旨在从一个或多个低动态范围（LDR）观测中估计 HDR 图像，要解决曝光不足或过度曝光区域和不同噪声来源的问题。本文介绍了该挑战的两个阶段，并旨在实现最佳目标 HDR 重构。

Jun, 2021

该论文回顾了 2022 年 CVPR 的 NTIRE 研讨会中关于受限高动态范围（HDR）成像的挑战。本文聚焦于竞赛设定、数据集、提议的方法以及他们的结果。竞赛旨在从多个相应的低动态范围（LDR）观测中估计 HDR 图像，这些观测可能会受到欠曝或过曝区域和不同噪声来源的影响。竞赛由两个轨道组成，强调保真度和复杂性约束。在跟踪 1 中，要求参与者在强制执行低复杂性约束的同时优化客观保真度分数。在跟踪 2 中，要求参与者在强制执行保真度约束的同时最小化其解决方案的复杂度。这两个轨道使用相同的数据和指标：保真度通过与基准 HDR 图像进行相对于 PSNR 的计算来进行测量，包括通过乘积累加（MAC）操作的数量和运行时间（以秒为单位）的复杂性指标。

May, 2022

该论文回顾了 NTIRE 2024 年低光图像增强挑战，突出了提出的解决方案和结果，旨在发现在处理各种条件时能够生成更明亮、更清晰和更具视觉吸引力结果的有效网络设计或解决方案，包括超高分辨率（4K 及以上）、非均匀照明、逆光、极端黑暗和夜景。这个挑战共有 428 名参与者注册，最终有 22 个团队提交了有效的作品，本文详细评估了低光图像增强领域的最新进展，反映了这一领域的重大进步和创造力。

Apr, 2024

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

本文研究基于物理学原理的图像形成模型的深度学习架构，包括去除图像光线和校正漏光，并应用到肖像摄影数据库中。结果表明，该模型可以实现精确和可信的照明结果，并且可以推广到复杂的光照条件和挑战性姿势，包括主体未直视相机。

Jun, 2019

该论文旨在回顾 NTIRE 2020 关于真实图像去噪的挑战， 着重介绍新引入的数据集 SIDD+、 提出的方法以及其结果，展示在 Bayer-pattern rawRGB 和标准 RGB（sRGB）颜色空间中对图像去噪的性能进行量化评估的两个赛道，其中参赛者达到了约 250 人。22 支队伍采用了 24 种方法进行比赛，参赛团队提出的方法代表当前针对真实噪声图像的图像去噪中的最新技术表现。

May, 2020

本文提出一种基于深度学习的图像重照明网络，包括场景重建、阴影先验估计和渲染器，能够在无需几何结构信息的情况下使图像在新的光源方向下重照明，并在 AIM2020 - Any to one relighting challenge 中取得最佳 PSNR 的成果。

Aug, 2020

这篇研究论文介绍了一种基于深度学习的多模态分支网络 (MBNet) 方法，利用深度地图对图像进行照明重新校准，并通过动态膨胀金字塔模块进行解码以有效地使用图像和深度特征。同时，提出了一种新的数据处理流水线以增加训练数据的多样性。在 VIDIT 数据集上的实验表明，该方案在 NTIRE 2021 深度指导一对一照明挑战赛中达到了 SSIM 和 PMS 方面的第一名。

May, 2021