摘要
在后期编辑过程中，可以模拟出自定义且自然的光照条件，以生成场景图像。借助深度学习框架所具备的卓越能力，可实现这一目标。深度图像重光照技术能够通过针对光照特性的自动修饰，实现图像的智能化增强。然而，当前大多数先进的重光照方法在运行时计算开销大且内存效率较低。本文提出了一种高效、实时的图像重光照框架——深度堆叠重光照网络（Deep Stacked Relighting Network, DSRN），该框架通过融合输入图像在多尺度下的聚合特征，实现高质量的重光照效果。所提出的模型结构极为轻量化，总参数量约为42 MB，对于分辨率为 $1024 \times 1024$ 的图像，平均推理时间仅为0.0116秒，显著快于其他多尺度模型。该方法在将输入图像的颜色温度迁移到目标图像方面表现出较强的鲁棒性，同时在生成与目标图像相匹配的光照梯度方面也取得了较为理想的效果。此外，实验表明，当使用来自相反方向照明的多张图像作为输入时，相较于仅使用单张输入图像，其视觉重建质量显著提升。