POLAR

POLAR是一个肖像OLAT数据集，用于光照感知的人脸建模，包含方向感知的OLAT光照响应数据，支持在新型光照下实现逼真的肖像重光照。POLAR is a portrait OLAT dataset designed for illumination-aware face modeling. It contains orientation-aware OLAT lighting response data, enabling photorealistic portrait relighting under novel lighting conditions.

原始信息汇总

数据集概述

数据集名称: POLAR (Portrait OLAT Dataset)
所属项目: POLARNet——基于POLAR OLAT表示的人像生成式重光照框架
论文发表: CVPR 2026 (Oral)
作者团队:

• 主要作者：Zhuo Chen, Chengqun Yang, Zhuo Su, Zheng Lv, Jingnan Gao, Xiaoyuan Zhang, Xiaokang Yang, Yichao Yan
• 机构：上海交通大学（MoE Key Lab of Artificial Intelligence）与 PICO

核心内容

• 任务目标: 从单张人像图像预测方向感知的OLAT（One-Light-at-a-Time）光照响应，实现新颖光照下的真实感人像重光照。
• 数据集特点: 基于POLAR OLAT表示，专门用于光照感知的人脸建模。
• 框架模型: POLARNet，一个生成式人像重光照网络，以POLAR OLAT表示为中间表示。

数据集获取与处理

• 下载方式: 数据集通过 Hugging Face 平台提供下载，具体链接见仓库内 OLAT_data_processing/README.md 文件中的“POLAR Dataset Download”部分。
• 处理流程: 仓库包含OLAT数据准备、预处理及中间资产生成的完整指导，详见 ./OLAT_data_processing/README.md。
• 使用前提: 运行训练或推理前需正确配置数据集路径、输入/输出目录及检查点路径。

模型与检查点

• POLARNet检查点: 预训练检查点目前未随仓库代码发布，后续更新会补充下载链接。暂定路径为 POLARNet/examples/inference/ckpts/olat/。
• 第三方模型依赖: 部分第三方模型资产会在首次运行脚本时自动下载。

代码与使用

• 仓库结构:
  • configs/: 配置文件
  • scripts/: 训练和推理脚本
  • src/: 核心实现代码
  • requirements.txt: Python依赖
• 环境配置: 推荐使用 Conda 创建 python=3.10 环境，通过 pip install -r requirements.txt 及 pip install -e . 安装。
• 运行示例: 进入 examples/inference/olat/ 目录，执行 bash olatlight.sh。

引用信息

如需引用该数据集及相关工作，请使用以下 BibTeX：

bibtex @InProceedings{Chen_2026_CVPR, author = {Chen, Zhuo and Yang, Chengqun and Su, Zhuo and Lv, Zheng and Gao, Jingnan and Zhang, Xiaoyuan and Yang, Xiaokang and Yan, Yichao}, title = {POLAR: A Portrait OLAT Dataset and Generative Framework for Illumination-Aware Face Modeling}, booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)}, month = {June}, year = {2026}, pages = {28871-28881} }

搜集汇总

数据集介绍

构建方式

POLAR数据集的构建源于对肖像光照建模中高真实感与可编辑性需求的深刻洞察。研究团队利用多视角光源阵列（OLAT）采集系统，在受控环境下捕获了涵盖多种面部形态、肤色与年龄的人类肖像数据。每张人脸均被数百个独立方向的光源逐一照亮，生成对应的OLAT光照响应图像。这些图像经过严格的几何对齐与光度校准后，被编码为方向感知的OLAT表示，为后续的生成式重光照提供精确的物理先验。

特点

POLAR数据集的核心特色在于其方向感知的OLAT表示与生成式建模框架的有机结合。该表示不仅独立存储每个光源方向的反射信息，还隐含了面部的几何结构与材质属性，使得模型能对任意光照条件进行物理可信的响应预测。数据集本身覆盖了广泛的照明方向与强度变化，有效提升了生成模型在极端光照下的泛化能力。此外，POLARNet框架通过学习从单张肖像到OLAT表示的映射，摒弃了对多视角或多图像输入的依赖，显著降低了实际应用中的数据成本。

使用方法

使用POLAR数据集进行重光照任务时，用户需首先从官方渠道下载OLAT预处理数据，并按指定目录结构存放。随后，通过POLARNet仓库提供的配置与脚本，在配置好的Python 3.10环境中运行推理或训练流程。具体而言，将下载的预训练检查点置于`POLARNet/examples/inference/ckpts/olat/`路径下，并正确设置输入图像路径与输出目录，执行`bash olatlight.sh`即可生成在新光照下的渲染结果。所有第三方依赖在首次运行时会自动下载，无需手动配置缓存。

背景与挑战

背景概述

POLAR数据集由上海交通大学MoE人工智能重点实验室与PICO团队于2026年联合创建，主要研究人员包括陈卓、杨承群、苏卓等，发表于CVPR 2026并获选口头报告。该数据集聚焦于光照感知的人脸建模领域，核心研究问题是构建一种名为POLAR（Portrait OLAT）的肖像光照表示，以克服传统面部重光照方法对复杂光照环境鲁棒性不足的局限。POLAR通过大规模、高保真的单次光照响应数据，为生成式框架POLARNet提供了方向感知的OLAT响应预测基础，显著推动了虚拟现实、增强现实及数字人技术中光照编辑与重光照的真实感与泛化能力。其发布为计算机视觉与图形学交叉领域提供了宝贵的基准资源，影响力辐射至光照建模、人脸合成与交互式渲染等多个前沿方向。

当前挑战

POLAR数据集面临的核心挑战包括：首先，领域问题层面，传统肖像重光照难以在复杂、非受控光照条件下保持高真实感与方向一致性，POLAR需通过OLAT表示捕捉细微光照变化，但现有方法在泛化到无约束场景时仍存在光照伪影与细节丢失。其次，构建过程中，数据集需要采集大量受控OLAT样本，面临设备部署、光照校准与多视角同步等工程难题，同时确保不同肤色、面部结构下的光照响应一致性。此外，由于OLAT数据的高维度与时序依赖性，数据预处理与高效生成框架的设计也是重大挑战，需平衡存储开销与模型训练效率，以实现从单幅肖像到多样化光照效果的可靠映射。

常用场景

经典使用场景

在计算机视觉与图形学交叉领域中，POLAR数据集作为首个大规模肖像OLAT（One-Light-at-a-Time）数据集，为光照感知的人脸建模提供了关键支撑。其经典使用场景在于肖像重光照任务，研究人员可基于该数据集训练生成式模型，从单张肖像图像中预测方向感知的OLAT光照响应，进而实现任意环境光照下的真实感人脸重光照效果。该数据集覆盖了丰富的人脸姿态、表情与材质变化，使模型能够学习到光照与面部几何、反射属性之间的复杂映射关系。

衍生相关工作

围绕POLAR数据集，研究者已发展出多项衍生工作。其核心贡献POLARNet作为生成式重光照框架，提出了针对OLAT表示的方向感知预测网络，成为后续研究的重要基线。在此基础上，相关工作进一步探索了将OLAT先验融入人脸编辑、神经渲染与可微渲染管线的方法。部分工作还拓展了POLAR数据集的表示能力，将其与隐式神经场结合，推动从肖像重光照向全动态头部光照建模的演进。

数据集最近研究

最新研究方向

近几年，随着虚拟现实与数字人技术的蓬勃发展，光照感知的人脸建模已成为计算机视觉与图形学交叉领域的前沿热点。POLAR数据集及配套的POLARNet生成框架应运而生，专注于从单张肖像图像中预测方向感知的OLAT光照响应，从而实现动态光照下的逼真重光照。该研究指向了生成式模型在物理光照解耦与面部几何细节保真之间的平衡，尤其强调在复杂光照环境下的鲁棒性与泛化能力。其提出的OLAT表征形式为人脸渲染管线提供了可解释的光照嵌入，显著提升了合成图像在不同光照条件下的真实感。此外，该工作被CVPR 2026接收为Oral论文，标志着学术界在光照感知人脸建模任务上迈出了关键一步，预期将对AR/VR、影视特效以及人机交互等应用领域产生深远影响。