通过改进的残差网络 (IRNet) 提出了一种轻量级的反转色调映射 (ITM) 方法，使用新的改进残差块 (IRB) 提取和融合多层特征进行高动态范围图像的重建，实验结果显示 IRNet 在 ITM 和联合 SR-ITM 任务上达到了最先进的性能水平。

Jul, 2023

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

该研究论文提出了一种深度网络模型 Deep SR-ITM，利用超分辨率和反色调映射来将低分辨率和标准动态范围视频转换为高动态范围和超高清晰度视频，并在位置可变操作下运用调制块来增强局部对比度。

Apr, 2019

本文提出了一种新颖的逆向色调映射方法，通过基于语义感知的扩散补全方法在遮罩区域中生成丢失的剪切区域的细节，并借鉴传统的 HDR 成像和曝光方法，提出了一种与生成式补全方法兼容的将 SDR 补全区域提升为 HDR 图像的原则式公式。结果表明，我们的方法在客观指标上展现出卓越的性能，并且主观实验表明，所提出的方法在视觉保真度方面与最先进的逆向色调映射算子相匹配（在大多数情况下超越）和超过它们。

May, 2024

本研究提出一种快速，无参数，可自适应不同场景的基于深度生成对抗网络（cGAN）的色调映射运算符（DeepTMO），用于在不同的低动态范围（LDR）输出设备上可视化大量高动态范围（HDR）内容，从而解决现有算子只能成功映射一定数量 HDR 内容且需要大量参数调整才能产生最佳主观质量调制输出的问题。

Aug, 2019

本文提出了一种基于生成对抗网络的分组超分辨率和反色调映射联合学习模型，通过精心设计包括图像重建子网、细节恢复子网和局部对比度增强子网等三个任务特定子网，训练一对 1D 可分离细节恢复像素滤波器和一个局部对比度增强 2D 滤波器，以提高本文模型处理 HDR 图像过程中所需的超分辨率和反色调映射性能，实验证明该模型能够比之前的方法提高 0.41 dB 的 PSNR 值。

Sep, 2019

本文提出了一种 Deep Reciprocating HDR Transformation (DRHT) 的方法，将图像纠正任务转化为 HDR 数据的转换处理，使用两个 CNN 来进行 HDR 重建和色调映射，并在标准基准上表现出优越的性能。

Apr, 2018

本文利用基于神经网络的两阶段高动态范围图像色调映射算法，根据感知优化程度，将 HDR 图像通过对比计算 Laplacian 金字塔损失度来自动生成相应的 LDR 图像堆栈，并融合生成期望的 LDR 图像，最终实现完全自动的色调映射。

Jun, 2022

本研究论文介绍了一种基于小型机器学习的全局色调映射方法（TGTM），该方法在任意分辨率下的每个 RGB 图像上以 9,000 FLOPS 的计算速度操作，通过应用于图像直方图数据，实现了 HDR 图像的色调映射，结果表明 TGTM 在实际 HDR 相机图像上相对于现有方法具有更高的峰值信噪比（PSNR），而计算量则较低。

May, 2024

该研究论文提出了一种基于深度学习的方法，用于从阴影和高光中恢复复杂细节以及重建高动态范围图像，通过图像到图像转换任务，提出了一种基于条件性去噪扩散概率模型（DDPM）的框架，并在该框架中结合了深度卷积神经网络（CNN）的自编码器来提高用于条件化的输入 LDR 图像的潜在表征质量，此外引入了一种新的损失函数来改善 LDR-HDR 转换任务的结果质量。通过全面的定量和定性实验，有效地展示了该方法的优越性，结果表明简单的基于扩散的条件方法可以取代复杂的基于相机管线的架构。

Jul, 2023