本研究提出了一种新的亮度鲁棒性增强策略（BRE），旨在改善深度神经网络驱动的色彩恒常性模型在亮度变化下的表现。实验结果表明，该策略显著降低了光源估计误差，提升了模型性能，强调了增强亮度鲁棒性的重要性。

本文综述多光源颜色恒常性研究进展，涵盖基于GAN的图像域转换、贝叶斯多假设、对数色度空间定位、无监督学习、级联卷积C4、对比学习CLCC及CNN局部光源估计等方法，并涉及色彩幻觉与阴影消除，显著提升了估计精度与鲁棒性。