本研究提出了一种新方法，利用穿戴设备和开放数据集，解决光照变化对驾驶状态识别的影响。通过事件帧和脉冲神经网络，显著提升了识别的准确性和鲁棒性。

本研究提出了生成模型ScribbleLight，通过涂鸦描述光照变化，实现室内环境的光照重塑，同时保持原始图像的颜色和纹理。

本研究针对图像匹配中的多角度、光照和季节变化问题，提出了一种综合多种技术的管道方法，最终在私有排行榜上取得了0.167的优异成绩，显著提升了关键点检测和匹配性能。

本研究提出了一种新方法，将在线光度校准与混合视觉SLAM结合，解决光照变化导致的像素强度不一致问题。经过光度校准的H-SLAM在多个数据集上表现优于现有系统，显示出在动态光照条件下的稳定性和准确性。

该研究提出了一种新的方法，通过合成零散视频中的人类真实照片，解决几何和光照变化的问题，重构高质量的几何并生成逼真的阴影。

Sat-NeRF是S-NeRF模型的修改实现，能够合成稀疏卫星图像的新视图，并考虑光照变化。通过神经网络输出反照率和入射辐照度，将其作为太阳直射光和天空漫反射颜色的函数。通过超参数研究，成功将NeRF和S-NeRF拟合数据并产生最佳预测。

本文介绍了DINO-Mix架构，通过DINOv2模型提取鲁棒的图像特征。实验证明，DINO-Mix在具有光照变化、季节变化和遮挡的测试集上表现优于当前最先进的方法，准确率提高了5.14%。

本文介绍了DINO-Mix架构，利用DINOv2模型修剪和微调图像，提取鲁棒的特征。实验证明，DINO-Mix在具有光照变化、季节变化和遮挡的测试集上表现优于当前最先进的方法，准确率提高了5.14%。

Sat-NeRF是S-NeRF模型的修改实现，能够合成稀疏卫星图像的新视图，并考虑光照变化。通过神经网络输出反照率和入射辐照度，将辐射度作为太阳直射光和天空漫反射颜色的函数。通过超参数研究，成功将NeRF和S-NeRF拟合数据并产生最佳预测。

Sat-NeRF是S-NeRF模型的修改实现，能够合成稀疏卫星图像的新视图，并考虑光照变化。通过神经网络输出反照率和入射辐照度，并将辐射度作为太阳直射光和天空漫反射颜色的函数。通过超参数研究，成功将NeRF和S-NeRF拟合数据并产生最佳预测。