視覚的物体認識タスクにおいて、照明条件の変化は物体の外観に顕著な変化をもたらし、その結果、深層ニューラルネットワークに基づく認識モデルを混乱させる要因となる。特に稀な照明条件下では、十分なトレーニングサンプルを収集することは時間と費用を要する場合がある。この問題を解決するために、本論文では「照明分離ネットワーク（Sill-Net）」と呼ばれる新たなニューラルネットワークアーキテクチャを提案する。Sill-Netは、画像から照明特徴を分離する能力を学習し、トレーニング過程においてこれらの分離された照明特徴を特徴空間上で用いてトレーニングサンプルを拡張する。実験結果により、本手法が複数の物体分類ベンチマークにおいて、既存の最先端手法を上回ることを示した。