本研究评估了开放语义映射（OSM）在不同光照条件下的表现，提出了动态评估管道OSMa-Bench，并引入新数据集，分析最新算法的性能，为未来机器人系统开发提供重要见解。

本研究提出了MVLight，一个新型的光条件多视图扩散模型，解决了文本到3D生成中光独立与光依赖组件的解耦问题。MVLight能够将光照条件整合到生成过程中，显著提升几何精度和重光照能力。

本文探讨了太阳能预测模型的训练策略及性能，提出了SolarFormer用于航拍图像中太阳能电池板的分割，提升了定位精度。同时，开发了SUNDIAL方法，通过卫星图像实现三维重建，增强了建模性能。此外，采用自我监督学习提高了模型的泛化能力，解决了传统卷积网络在不同光照条件下的不足。

本研究提出了一种基于神经反演渲染的多视角光度立体（MVPS）方法，能够高效估算几何形状、材料和光源，提升三维重建精度。该方法结合深度学习和图像形成模型，在不同光照条件下实现高质量的三维重建，尤其在高曲率和低可见性区域表现突出。

本文提出了一种使用解释输入图像的方法来学习内在图像分解的网络，能够预测反射、形状和光照条件，并通过无监督重建误差信号提高中间表示的质量。实验结果显示该方法在内在图像分解和知识传递方面表现出色。

该论文提出了一种新的零参考深曲线估计方法（Zero-DCE），通过训练一个轻量级的深度网络 DCE-Net 来估计给定图像的像素级和高阶曲线，以进行动态范围调整。该方法具有高效性和可解释性，对不同光照条件具有良好推广能力。在各种基准测试上进行的大量实验定量和定性地展示了该方法的优势。同时，还讨论了 Zero-DCE 对于在黑暗中进行人脸检测的潜在优势。