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

提出了一种自监督的方法来解决室外场景打光的问题，该方法只依靠采集自互联网的图像，可训练出通用的解决方案，并能够生成真实感和物理上合理的结果。

Jul, 2021

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

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

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

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

通过使用图像扩散模型对输入图像进行重新照明，并利用这些重新照明的图像重建神经辐射场（NeRF），我们提出了一种更简单的方法来实现利用目标光照下的新视点渲染的三维表示，并在多个重新照明基准测试中取得了最新的结果。

Jun, 2024

我们的研究引入了一种将重照和内在分解相结合的方法，通过利用场景中的光变化生成伪标签，为内在分解提供指导，同时确保对不同场景类型的稳健性，并减少对预训练模型或手工先验的依赖。我们在合成和真实世界数据集上验证了我们的方法，并取得了令人信服的结果。此外，我们的方法在图像编辑任务中的适用性显示出了有希望的结果。

Jun, 2024