在数字影像处理领域，人像重打光技术长期面临复杂光照场景下的稳定性挑战。传统AI方案常出现光照方向错乱、阴影逻辑矛盾，甚至导致面部特征扭曲变形等问题。针对这一行业痛点，美图影像研究院研发团队提出名为"一致特征传输"（Consistent Feature Transport，简称CFT）的创新框架，通过重构光照变换的数学模型，在计算机视觉顶会ECCV 2026上展示了突破性成果。
现有技术路线存在显著局限：控制信号驱动方案过度依赖输入参数的精准度，本征分解方法在混合光照条件下易产生误差累积，而直接图像翻译模型则缺乏对光照特征的显式建模。更严峻的是，公开数据集普遍存在场景单一化问题，难以覆盖多色温混合、空间渐变阴影等真实光照环境，这进一步制约了算法的泛化能力。
研究团队构建的CFT框架突破传统图像翻译范式，将重打光问题转化为特征空间的概率流建模。该模型在噪声分布、源图像分布与目标图像分布之间建立三重约束：通过条件生成路径实现目标光照合成，利用重建路径保持原始图像内容，最终通过特征传输路径完成光照变换的数学解耦。这种设计使模型能够区分光照特征与非光照特征，在保持面部结构完整性的同时实现精准的光影调控。
技术创新体现在三个维度：在特征传输机制上，借鉴流形几何中的平行四边形法则，构建源特征到目标特征的直接映射路径；在监督策略方面，采用"同光照变换、异图像内容"的配对数据，避免模型混淆光照变化与内容差异；针对数据稀缺问题，团队自制包含14类复杂光照效果的大规模数据集，重点强化空间结构化照明和色温渐变场景的覆盖。
实验数据显示，CFT在多项核心指标上超越现有方案：在自建测试集中，像素级保真度提升17.6%，光照合理性评分提高22.3%，多光源交互场景的稳定性提升31%。用户研究显示，30名专业评审对40组样本的评估中，CFT在光照质量、内容一致性、物理合理性、视觉美感四个维度均获最高评分。消融实验进一步验证，特征传输路径与重建路径的协同作用是性能提升的关键，单独使用任一组件均无法达到最优效果。
该技术的突破性不仅限于光照编辑领域。研究团队将CFT框架迁移至风格迁移任务，在OmniStyle-150k数据集上的测试表明，模型在保持内容结构完整性的同时，显著提升了风格化表达的细腻度。这种跨任务适应性验证了特征传输机制的普适价值，为图像属性编辑提供了新的理论范式。
目前，基于CFT框架的智能打光功能已落地美图旗下Picchi、AirBrush、BeautyPlus等多款产品。用户无需输入复杂参数，即可通过自然交互实现专业级的光影效果调整，包括伦勃朗光、蝴蝶光等经典布光方案，以及赛博霓虹、午后暖阳等创意光效。这项技术突破正在重新定义移动端影像编辑的工作流程，使专业级光影控制变得触手可及。
美图影像研究院作为人工智能影像领域的重要科研力量，在计算机视觉顶会累计发表75篇学术论文，持续推动技术创新与产业应用的深度融合。此次CFT框架的提出，不仅解决了人像重打光领域的关键技术难题，更为图像属性编辑提供了可迁移的方法论，展现出学术研究与产品落地的良性互动。
