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

本文中提出了一种零样本文本驱动框架 (Text2Light)，它使用自然语言对场景进行描述，并生成适用于复杂场景的 4K + 分辨率 HDR 全景图，其中使用了双重代码本来生成各种环境纹理的离散表示，并由经过预训练的 CLIP 模型驱动的全局采样器和结构感知本地采样器进行指导。同时，提出了一种 360 度图像的连续表示方法，以支持同时提高分辨率和动态范围。

Sep, 2022

本研究提出了一种基于学习的逆色调映射方法，利用深度自动编码器从非线性、饱和、低动态范围全景图中回归出线性的高动态范围数据，以验证该方法在捕获户外环境映射和图像匹配等方面的实用性。

Mar, 2017

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

本文提出了一种基于 LANet 的亮度注意网络，用于从单个 LDR 图像重建 HDR 图像，并提出了一种新的 HDR 校准方法和亮度注意模块来解决 HDR 和 LDR 图像之间的不同之处，同时我们也扩展了网络以进行全景图重建，该方法在 HDR 重建和全景图方面优于现有方法且代码可用。

Sep, 2021

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

本文提出一种新的基于 GAN 的模型 HDR-GAN，用于合成高动态范围（HDR）图像，并通过对抗性学习将多曝光 LDR 图像中带有缺失内容的区域恢复到原有状态，同时还提出了生成网络，并在深度 HDR 监督方案中消除了重建 HDR 图像的伪影，实验结果表明，相对于先前的 HDR 方法，在各种场景中提供了最先进的重建性能。

Jul, 2020

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