本文提出了一种新颖的可重光的神经渲染器（RNR），可以使用多视图图像输入进行同时视图合成和重光。与现有的神经渲染（NR）不同，RNR明确建模物理渲染过程，从而提高了调光的能力，并提高了视图合成的质量。对合成和真实数据的全面实验表明，RNR为进行自由视点重光提供了实用有效的解决方案。

Nov, 2019

该研究提供了一种基于连续体积参数化的方法，可以将场景表示为可以在新视点下进行渲染的3D表示，并且可在任意照明条件下呈现，包括间接光照效果，从而解决了以前的方法因光照环境变化而受限的问题。

Dec, 2020

本文提出了一种使用神经渲染框架的方法，通过利用预测的深度数据和光源分割掩模，从单个图像中编辑复杂室内照明，解决了通过局部LDR场景观察从而对HDR照明进行建模和分离的难题，其特点在于综合使用场景重建和参数化3D照明的方法。

May, 2022

针对如何从神经光辐射场（NeRF）中渲染新视角的问题，本文介绍了ReNe(重新照明NeRF)数据集，细分了现实世界中的物体以及光与相机姿态，通过该数据集，可以表明NeRF varients的光照能力，进而确定了一种轻量级体系结构，以获得一种能够在新的光照条件下呈现对象新视角的方案，并用于该数据集的非平凡基线。

Apr, 2023

本文提出了一种分析-合成方法Relit-NeuLF，通过使用两平面光场表示对4D坐标系统的每条光线进行参数化，以实现对复杂场景的同时重照和新视角合成；通过自监督学习方法，该方法能够恢复三维场景的空间变化的双向反射分布函数（SVBRDF）；通过将每条光线映射到其SVBRDF组成部分（漫反射、法线和粗糙度）以及灯光方向的条件，实现光线颜色的合成；综合实验证明，该方法在合成数据和真实世界人脸数据上都具有高效和有效的性能，并且优于最先进的结果。

Oct, 2023

通过构建真实世界数据集，本文介绍了用于测量物体重建和渲染以实现换灯效果的方法，通过在多个环境中捕捉环境光照和真实图像，可以从一个环境中的图像重建物体，并对未见过的照明环境对渲染视图的质量进行定量分析，并通过对比基线方法和最新方法的测试结果，显示出新视点合成不能可靠地衡量性能。

Jan, 2024

图像重照是通过改变光照条件展示源图像场景在不同光照条件下的效果。本文介绍了一种完全基于数据驱动的重照方法，其中光照条件和内在特征都被表示为潜在变量。该方法在真实场景的重照上达到了最先进的水平，使用了标准度量评估，同时发现可以通过潜在内在特征恢复颜色，并且恢复的颜色与最先进的方法相竞争。

May, 2024

本研究解决了在单一光照条件下多视图数据中重照明光照场的不足问题。通过利用从二维图像扩散模型提取的先验信息，提出了一种新的方法来创建可重照明的光照场，并展示了该方法可以有效地利用二维扩散模型的先验，实现在完整场景下的逼真3D重照明。研究结果表明，该方法在单一光照条件下的合成和现实多视图数据上实现了良好的效果。

Sep, 2024

本研究解决了在单一光照条件下捕获的多视角数据中辐射场重照明受到严重约束的问题。作者提出了一种利用2D图像扩散模型提取的先验信息，在单光照数据上创建可重照明辐射场的方法，展示了该方法能够实现完整场景的真实3D重照明效果，潜在地推动了计算机视觉和图形学领域的进步。

Sep, 2024

本研究针对单张图像重光照中生成在任意光照条件下的现实图像这一难题，提出了两个新数据集以应对数据匮乏的问题，并建立了基于内在分解的两阶段网络架构，引入物理约束。该方法在性能上超越了最先进的技术，并可生成适用于各种光照条件的动态效果，具有广泛的应用潜力。

Sep, 2024