清华大学教授、智源研究员张长水团队提出的Sill-Net可以将训练图片的光影特征有效地分离出来，这些光影特征可用于增强支撑样本，从而提高模型的性能。由于光影数据库包含了丰富的背景图像的光线特征，这些信息在不同数据集中是相通的，因而光影特征库增广方法适用于多个数据集。该方法优于当前最好的（SOTA）方法，在几个基准数据集上实现了大幅度提升。总的来说，该技术创新对于常见的图像数据集，尤其是数据集出现大小和光照条件的不平衡问题时，因为可以将光照信息以有限的数量和光照多样性移植到特定的训练样本中，所以对该类任务提升较为明显。Sill-Net在图像识别、自动驾驶、智能交通、智能安防等多个领域都具有切实可行的应用场景。
方法关键思想示意图（图表来源:学者提供）
