从户外全景图中学习高动态范围
本文介绍了一种基于卷积神经网络的方法来从低动态范围(LDR)图像中估算高动态范围(HDR)全景图的户外照明,通过训练网络并提取大量的输入图像与输出照明参数对,本文的方法允许恢复真实感照明条件并能从单一图像中实现逼真的虚拟物体插入。
Nov, 2016
本文提出了一种使用神经网络从单张 LDR 图像中预测 HDR 户外照明的方法,其核心是利用一种从任何天气条件下的 LDR 全景图精确学习 HDR 照明的方法。通过在合成和真实图像的组合上训练另一个 CNN 来实现以上方法,根据 Lalonde-Matthews 户外照明模型回归参数。该模型被训练来重建天空的外观,并呈现对象被此照明照亮后的外观。作者使用此网络标记了一个大规模的 LDR 全景数据集,并用它们来训练单张图像户外照明估计网络。实验证明,我们的全景和单张图像网络都优于现有技术,并且与先前的工作不同,能够处理从全晴天到阴天的各种天气状况。
Jun, 2019
本文提出了一个自动方法,通过使用一个有限的视野、低动态范围的室内场景的照片来推断高动态范围的照明。通过使用深度神经网络,我们训练了一个分类器来自动注释 LDR 环境地图中光源的位置,然后利用这些注释来预测场景中光的位置,从而 fine-tune 这个网络来预测每个光源的强度,可以自动获得高质量的 HDR 照明估计结果,从而可以实现逼真的照片级结果。
Apr, 2017
本研究描述了一种基于对原生 LDR 图像的最佳视觉特征复制目标的新的色调映射方法,通过无关的 HDR 和 LDR 图像数据集的对抗性训练生成具有照片般逼真质量的无伪影图像,并通过不同的图像保真度指数和视觉距离证明其实现的最新性能。
Oct, 2021
本文提出了一种基于学习的方法,通过手机相机拍摄的低动态范围图像推断出高动态范围、全方位光照。通过使用不同反射功能材料在单个曝光中显示不同的光照提示,我们训练深度神经网络从低动态范围背景图像回归到 HDR 照明。通过图像重照操作,我们与预测光照匹配,实现了渲染虚拟物体进入现实环境中。与现有技术相比,我们对自动曝光和白平衡视频进行训练,提高了室内外场景渲染对象的真实感。
Apr, 2019
本研究提出了一种将参数化的灯光模型与 360 度全景图相结合的方法,该方法使用最新的基于 GAN 的 LDR 全景图延伸技术,提供可编辑的室内外环境下的 HDR 灯光,从而实现建模的高度逼真性和场景编辑的易用性。
Apr, 2023
通过将更多信息的 Raw 传感器数据与现有的 8 位 LDR sRGB 图像相结合,本文提出了一种适用于 Raw 图像的模型,通过学习曝光蒙版、双强度引导和全局空间引导等方法,实现对高动态范围场景的重建,并通过大量的 Raw/HDR 数据集进行实证评估,验证了该方法的优越性。
Sep, 2023
用于室内全景高动态范围 HDR 照明估计和编辑的新光照估计和编辑框架,从一张低动态范围 LDR 相机拍摄的单个有限视场 LFOV 图像生成高动态范围 (HDR) 的室内全景照明。该框架结合了 LDR 和 HDR 全景合成,使用了 LFOV - 全景和 LDR-to-HDR 光照生成方法,提出了一种耦合双 StyleGAN 全景合成网络 (StyleLight),并且在室内 HDR 全景照明估计方面表现出优秀的性能。
Jul, 2022
通过联合训练光学编码器和电子解码器,优化 PSF 参数的镜头表面,并将其作为硬件附加件添加到传统相机中,我们证明这种深度光学成像的单拍 HDR 成像方法优于纯 CNN 方法和其他 PSF 工程方法。
Aug, 2019
本文提出了一种基于深度神经网络和卷积神经网络的新型算法来重建高动态范围图像,其方法相较于传统算法在可视化品质和峰值信噪比方面有较大幅度的提高。
Jan, 2018