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。

本文介绍了环境照明归一化（ALN）任务和Ambient6K数据集。提出了一种新的强基线方法IFBlend，通过最大化图像-频率联合熵来恢复不同光照条件下的局部区域。

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。