美图影像研究院提出一致特征传输重打光方案 CFT，被 ECCV 2026 录用
美图提出 CFT，用“一致特征传输”重打光，解决换光后人脸失真问题，已登 ECCV 2026 并落地产品。
现有 AI 人像重打光常把脸“修成另一个人”。美图影像研究院提出 CFT（一致特征传输），在 Rectified Flow 上显式学习光照变换而非泛泛翻译，解决了阴影错乱、身份漂移等问题。该方法已被 ECCV 2026 录用，并已上线 Picchi、AirBrush 等产品。
正文摘录
ECCV 2026｜光照改了，人却变了？美图影像研究院提出一致特征传输重打光新方案 CFT .jpg)  “把光线调成午后暖阳”、“换成霓虹灯下的赛博氛围”、“来一束伦勃朗光，侧脸更有质感”。人像修图里，换光效是最常见也最难做好的需求之一，因为在复杂光照场景下，现有 AI 重打光方案常出现光照不稳定、阴影方向错乱，甚至把脸 “修成另一个人” 的问题。 当前三类基于扩散模型的人像重打光主流方法各有短板，其中控制信号驱动（Control-based）的方案可控性有所提升，但结果高度依赖控制信号的准确性和完整性；本征分解驱动（Decomposition-based）在复杂光照下容易出错，误差会传导至最终图像，导致阴影不一致、颜色偏移或细节丢失；直接图到图翻译（Image-to-image）未显式建模 “光照专属” 的特征位移，光照编辑的精度与表达力不足。 此外，由于公开人像重打光数据集规模有限，且多在受控环境下采集，缺乏复杂光照效果（多色温、空间变化阴影、非均匀照明等），难以支撑真实场景下的可控重打光学习。