本文提出了一个自动方法，通过使用一个有限的视野、低动态范围的室内场景的照片来推断高动态范围的照明。通过使用深度神经网络，我们训练了一个分类器来自动注释 LDR 环境地图中光源的位置，然后利用这些注释来预测场景中光的位置，从而 fine-tune 这个网络来预测每个光源的强度，可以自动获得高质量的 HDR 照明估计结果，从而可以实现逼真的照片级结果。

Apr, 2017

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

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

从多视角、低动态范围（LDR）图像中恢复场景的基于物理的材质属性和空间变化的高动态范围（HDR）照明，实现了高度逼真的重照和物体插入。

Jan, 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

本研究提出了一种将参数化的灯光模型与 360 度全景图相结合的方法，该方法使用最新的基于 GAN 的 LDR 全景图延伸技术，提供可编辑的室内外环境下的 HDR 灯光，从而实现建模的高度逼真性和场景编辑的易用性。

Apr, 2023

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

本文提出了一种基于学习的方法，通过手机相机拍摄的低动态范围图像推断出高动态范围、全方位光照。通过使用不同反射功能材料在单个曝光中显示不同的光照提示，我们训练深度神经网络从低动态范围背景图像回归到 HDR 照明。通过图像重照操作，我们与预测光照匹配，实现了渲染虚拟物体进入现实环境中。与现有技术相比，我们对自动曝光和白平衡视频进行训练，提高了室内外场景渲染对象的真实感。

Apr, 2019

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