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

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

该研究提出了一种基于学习的解决方案，用于对来自灯光舞台的人脸扫描进行超分辨率处理，以便在查询位置生成逼真的阴影和高光，同时避免由于舞台灯光采样不足而导致的伪影等众多偏差。

Oct, 2020

本文提出了一种利用神经网络进行人像重灯光处理的方法，可以在只有一张手机拍摄的照片的情况下，将人像的光照效果变更为给定的任何光照环境，实现了比现有技术更优异的效果。

May, 2019

从单眼视频中生成可闪烁的音频驱动的说话肖像的新框架，使用隐式学习的面部法线和图像，结合三维面部先验和动态估计视频的光线条件进行反射分解，并通过身份一致性损失改进立体面部表示。

Sep, 2023

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

本文提出了一个计算方法，通过使用神经网络去除外部阴影并软化面部阴影，同时添加合成填充光线，从而使拍摄不佳的人像照片得以以逼真和易于控制的方式进行重新照明。

May, 2020

引入一种协同设计方法，用于人像重照，将物理引导的架构与预训练框架相结合。通过基于 Cook-Torrance 反射模型的精心配置的架构设计，准确模拟光 - 表面相互作用。此外，为了克服高质量光台数据稀缺的限制，我们开发了一种自监督预训练策略。这种精确的物理建模和扩展的训练数据集的新结合为重照现实主义建立了新的基准。

Feb, 2024

该论文提出了一种高质量的面部捕捉方法，利用单个手机闪光灯序列在昏暗的房间中捕捉面部几何和外观，模拟了完整的面部包括皮肤、口腔内部、头发和眼睛，并展示了可以捕捉高质量的 3D 可光照化扫描。

Dec, 2023

本文提出了一个称之为 Relighting4D 的结构化框架，通过神经网络分解人体的空间时间几何和反射属性为一组法线、遮挡、漫反射和镜面映射的神经场，进而进行基于物理的面部渲染且可自我学习。通过在真实和合成数据集上的广泛实验验证，我们的方法能够以自我监督学习的方式将人体演员的表演与其背景分离，实现无限可调的动态换背景。

Jul, 2022