本征图像分解旨在从单张输入图像估计场景的光照率与材质反射率。分辨场景的材质与光照变化，对计算机视觉与计算机图形学领域的许多应用都有着重要意义，如三维重建、语义分割、人脸编辑和场景重新着色等。因为在本征图层上进行编辑后，再合成的图像具有真实感。因此，近年来，本征图像分解在增强现实领域也得到了越来越多的关注。
　　如何缓解分解过程中的歧义，求解出一组遵循现实规律的本征图像，是本征图像分解任务的核心与挑战。受前人工作启发，本学位论文提出利用深度神经网络估计本征图像，并采用法向量信息作为额外的线索。在此基础上，进一步提出将本征图像分解网络建立在预训练的法向量估计模块之上，并提出自适应地利用法向量信息的两种方法。
　　本学位论文的主要贡献如下：
　　1)提出了联合估计法向量与本征图像的全卷积神经网络框架NIID-Net。该框架使用我们提出的法向量特征自适应器，将法向量估计模块学习的场景几何结构知识分享给本征图像分解子网络，为本征图像分解提供法向量先验并帮助其理解光照环境。
　　2)创新提出先估计一个编码场景光照条件的中间特征图——法向量自适应图，然后再配合法向量重建光照率图。不同于直接估计光照率图，这种生成光照率图的方法可以进一步地利用法向量线索，从而在平面区域上取得平滑的光照率估计结果。
　　3)视觉效果对比与数值定量分析都表明，本文提出的网络取得了较好的本征图像分解性能，特别是光照率图估计超过了目前的最高水平。