Latent Intrinsics Emerge from Training to Relight

这段摘要讲述了图像照明的任务，即展示源图像中的场景在不同照明下的效果。逆向图形方案可以恢复几何的显式表示和一组选择的内在特征，然后使用某种形式的渲染器进行照明。然而，逆向图形的误差控制很困难，而且逆向图形方法只能表示所选内在特征的影响。本文描述了一种完全基于数据驱动的照明方法，其中内在特征和照明分别表示为潜在变量。我们的方法产生了最先进的实景照明效果，这是通过标准度量衡来衡量的。我们还展示了我们的潜在内在特征可以恢复出反照率，而不需要使用任何反照率样例，并且恢复出的反照率与最先进的方法相当。

本文旨在通过数据驱动的方法解决图像再照明问题，该问题是如何展示源图像在不同照明条件下的场景。与传统的逆图形方法不同，该方法不需要明确的几何表示和选定的内在属性，而是将内在属性和照明表示为潜在变量。

本文提出了一种完全基于数据驱动的图像再照明方法，利用潜在变量表示内在属性和照明，通过神经网络实现图像再照明。相比于传统的逆图形方法，该方法具有更好的误差控制和更广泛的表现能力。

本文使用了标准度量标准来评估其方法的性能，并展示了其在真实场景中的优越性。此外，本文还证明了可以从潜在内在属性中恢复反照率，而不需要使用任何反照率示例，且恢复的反照率与SOTA方法竞争力强。

与本文相关的研究包括传统的逆图形方法，以及其他基于神经网络的图像再照明方法，如DeepRelight和Neural Relighting。