在一张图片中插入虚拟物体时,原始场景光照的恢复对于虚拟物体与真实场景的融合起着十分重要的作用。传统的基于物理的方法不仅复杂而且较难恢复出准确的光照环境,导致真实场景和虚拟物体无法共享同一个光照环境以保证光照的一致性。随着深度学习的不断发展,其在图像光照分析领域得到成功的应用并且取得较好的结果,但是如何从单张图像中恢复出较准确,高质量的环境光照仍然是一个值得探索的问题。本文基于物理和深度学习的方法,分别提出了从单张室外和室内图像中恢复原始场景光照的端到端的方法。针对这两部分内容,本文主要做了如下三方面工作:(1)室外图像太阳方位估计。该部分采用一种特殊的方法引入LAB颜色空间中的L亮度通道,并将其与原始图像的RGB三通道一同构成四通道的输入,以此增强可提取的图像特征。本文也提出了一种新的端到端的全卷积神经网络结构,该网络可以充分提取图像特征。与现有的方法相比,本文提出的方法不仅具有较高的预测准确度而且具有较少的网络参数量。此外,本文还采用剪枝-量化的方法对提出的网络结构进行了压缩优化,压缩后的网络参数量和占用存储空间大大减少,但预测准确度只有微量的下降。(2)室外图像光照分析。对于室外场景,该部分采用Lalonde-Matthews(LM)室外光照模型对图像中的天空和太阳进行建模,并采用7个光照参数对整个场景的光照进行表示。针对这7个光照参数的预测问题,本文提出了一种新的二分支网络结构并在该网络中引入了卷积块注意力模块(CBAM)。实验验证了注意力模块的有效性以及注意力模块数量和嵌入位置对预测结果的影响。与现有的方法相比,本文提出的方法具有更高的预测准确度,还原出的光照情况与真实的场景光照也更加贴近。(3)室内图像光照分析。对于室内场景,该部分采用4阶球谐函数对室内光照进行建模,并采用48个球谐系数对整个环境光照进行表示。由于低动态范围图像中包含的光照信息不充分,因此该部分采用高动态范围环境贴图,并实现从低动态范围图像中预测其对应的高动态范围球谐系数。针对该问题,本文提出了一种漫反射贴图损失函数以提高网络的训练能力。实验验证了漫反射贴图损失函数的有效性以及对预测结果的影响。最终的可视化比较结果表明本文提出的方法可以预测出较准确的球谐系数,采用其还原的光照情况与真实的场景光照较为接近。