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

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

利用 Spherical Harmonic（SH）和 Spherical Gaussian（SG）的互补特性，本研究提出了一种名为 MixLight 的联合模型，能更准确地估计场景照明，其中 SH 用于捕捉低频环境光，SG 用于捕捉高频光源。此外，还设计了一种特殊的球形光源 sparsemax（SLSparsemax）模块，用于改善光源的稀疏性。大量实验证明 MixLight 在多个指标上超过了最先进的方法，并且在 Web 数据集上的实验表明，作为参数化方法，MixLight 具有比非参数化方法更好的泛化性能。

Apr, 2024

本文提出了一种基于图像的光传输获取方法，通过学习一种嵌入基于纹理图集的神经表示，将所有的非漫反射和全局光传输建模为添加到基于物理精度的漫反射基本渲染的残差项。其中，通过融合先前看到的不同光源和观察角度来合成同一场景下所需照明条件下的新图像，从而实现可以复杂地重现场景或仿佛真实的改变其外观。

Aug, 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

本文提出了一种基于图像的渲染技术，它基于通过相机获取的有限透视视图集合的光场重建。本文的方法利用了在方向敏感变换域内的极线平面图像的稀疏表示，该变换域通过自适应离散剪切变换得到。使用的迭代阈值算法为相邻视图之间的较大差异提供高质量重建结果。因此，所生成的给定 3D 场景的密集采样光场适用于所有需要光场重建的应用程序。本文提出的算法在深度图像渲染技术方面相对于现有技术具有优势。

Sep, 2015

研究对球上自旋纤维丝束的随机剖分的统计分析，将其视为随机场，旨在探讨在宇宙学中分析极化实验的自旋针対应用

Jul, 2009

我们提出了一种轻量级的解决方案，用于从单个 RGB 图像估计室内灯光的空间一致性。我们引入了一个统一的、基于体素八叉树的光照估计框架，以生成 3D 空间一致的照明。此外，我们提出了一个可微的体素八叉树锥追踪渲染层，用于消除整个过程中的常规体积表示，并确保在不同频域之间保持特征。实验结果表明，与先前的方法相比，我们的方法在极小的成本下实现了高质量的一致估计。

Apr, 2024

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

本文提出了神经 - 小波 PRT 方法，用于高频间接照明的实时渲染，并演示了实时复杂场景的预计算渲染。

Jul, 2023