本文介绍了一种基于深度学习算法的深度卷积神经网络，用于从单张曝光照片中预测HDR图像信息，可以在各种不同情况下重建出高分辨率、视觉上令人信服的HDR图像，具有广泛的应用前景。

Oct, 2017

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

提出了一种采用注意力模块引导合并LDR图像的高动态范围成像（AHDR）神经网络，此方法可避免光流估计误差引起的伪影问题，通过实验证明该方法能够在图像质量上达到最先进的水平。

Apr, 2019

该论文利用反馈神经网络设计了一种新的端到端反馈网络-FHDR，可将单曝光低动态范围图像生成高动态范围图像，并在定性和定量评估中显示出优越性。

Dec, 2019

本研究提出了一种新的两阶段深度网络，旨在通过第一阶段的图像增强任务和第二阶段基于数据样本的色调映射和位扩展，将单次曝光的低动态范围图像映射成高动态范围图像，无需了解相机响应函数（CRF）和曝光设置等硬件信息。实验结果表明，该方法可以在质量和数量上超过现有的低动态范围到高动态范围的工作，并且在真实世界低动态范围图像评估中也能够重建出逼真的HDR图像。

Apr, 2021

本研究提出一种基于注意力引导的变形卷积神经网络ADNet，用于携带多帧高动态范围（HDR）成像，解决曝光过度、噪点和物体运动或摄像头抖动导致的图像不对准等问题，ADNet在与先前方法的比较中表现出最先进的性能，在NTIRE 2021多帧HDR挑战中实现了39.4471的PSNR-l和37.6359的PSNR-μ。

May, 2021

该研究针对深度HDR成像方法进行了全面和深入的调查和分析。他们根据输入照片数量，学习任务数量，新型传感器数据，新型学习策略和应用程序将现有的深度HDR成像方法层次化和结构化分组为五类，并对每个类别的潜力和挑战进行了建设性讨论，评估了数据集和评估指标，最终指出了未来的研究方向。

Oct, 2021

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

本研究提出了高动态范围神经辐射场 (HDR-NeRF)，通过模拟图像物理成像过程中的亮度场和色调映射器等关键参数，实现了在不同曝光条件下生成新的高动态范围和低动态范围图像。实验结果表明，该方法不仅能准确控制合成视图的曝光，还能渲染出具有高动态范围的视图。

Nov, 2021

本文提出了一种基于注意力机制和子像素卷积操作的 CEN-HDR 神经网络，以及使用知识蒸馏进行网络压缩的高效训练方案，其在实现高质量获取的同时比现有解决方案更快，并可在实时约束下实际部署。在 Kalantari2017 数据集上，使用 Macbook M1 NPU 实现 33 FPS 的帧速率，得分为 43.04 mu-PSNR。

Feb, 2023