该研究提出了一个新算法 TRUST，通过利用场景图像中与光照有关的信息来解决面部肌肤颜色以及光照的模糊性，并构建了一套面部肌肤颜色评估系统，对测试表明其比现有算法更加准确和公平

May, 2022

本文介绍了一个新颖的面部 albedo 重建模型 HiFiAlbedo，通过使用廉价的纹理数据消除光照来直接从单个图像中恢复 albedo 图，并通过训练高保真面部纹理代码簿、微调纹理重建编码器和使用组标识损失学习纹理到 albedo 领域的自适应来实现高保真结果的实验验证。

Jun, 2024

本文旨在探讨 SI-HDR 重建评估中存在的问题，并提出了统一标准以进行有效的比较，同时指出深度学习方法的提高并不一定能够反映出视觉上的优越性，呼吁对 SI-HDR 重建进行更好的评估协议。

Aug, 2021

本文探讨使用先验知识在分离图像的内在成分中的反射率和阴影层时的高性能方法，并提出了一种基于 CNN 学习和使用先验知识的损失函数，后者可以实现强反射不变性的联合双边滤波方法，达到在我们提供的对多个算法进行内在成分分解的标准基准测试上的最佳性能。

Dec, 2016

本研究旨在寻找图像生成任务的指标评价方法，证明最近的精度和召回率指标并不可靠，并提出一种新的基于密度和覆盖率的评价指标，这些指标可以提供比现有指标更可靠的信息信号。

Feb, 2020

本文提出了一种新的度量标准 IMRC，它可以利用观察图像对几何形状进行评估，通过逼近低频球谐和计算逆平均残差色。实验结果表明，该度量标准在评估几何形状方面非常有效。同时，我们以 IMRC 为基准对多种先进方法进行了测试，促进了未来相关研究的发展。

Apr, 2023

介绍了一种利用光度计经过校准的高动态范围全景图数据集的方法，可用于在计算机视觉任务中更准确地估计室内场景中的像素亮度、颜色温度和照明情况。

Apr, 2023

本文针对 ColorChecker 数据集中不同的 ground-truth 数据集，重新生成了一个基于 Shi 和 Funt 描述的推荐 ground-truth，对多种光源估计算法进行了性能评估并发现了许多本地算法排名的差别。此外，我们还提供了一个开放式的数据存储库，希望 ColorChecker 数据集能够再次成为估计光源算法的一个有用基准。

May, 2018

通过进行一系列实验，我们发现现有的图像质量评估指标并不能正确地代表人们对光照估计方法的偏好，然而通过综合学习多个指标，我们可以更准确地表示人类的首选项，从而为评估未来的光照估计算法提供了新的感知框架。

Dec, 2023

提出了一种新的高动态范围图像质量评估模型，通过逆显示模型将 HDR 图像分解成一组具有不同曝光的 LDR 图像，然后使用现有的 LDR 图像质量模型对每个曝光进行评估，并根据曝光之间的全局质量评分来获得整体质量评分。该方法在评估 LDR 图像时具有相同的性能，并在人感知优化 HDR 新视角合成方面表现出了优势。

Oct, 2023