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

该研究提出了一种基于深度学习和生成对抗式约束的新型逆向调色映射方法，通过交替优化的框架，使用 U-Net-based HDR 图像生成器将输入 LDR 图像转换成 HDR 图像，通过对真实 HDR 图像和生成图像的判别器进行分类，成功地实现了比现有技术更好的 iTM 效果。

Apr, 2018

通过将传统的固定 LUT 与人工智能相结合，引入非均匀打包的解决方案来使得 SDR 素材转换为 HDR/WCG，同时根据偏重范围密度的三个小型 LUT 结果，通过贡献度图进行组合，从而实现更高效的适配性和性能平衡。

Sep, 2023

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

使用优化的多尺度 Retinex 算法和基于 U-Net 架构的深度学习方法，对 16bpp 的热红外图像进行色调映射算法的研究，以及使用自监督深度学习方法减少噪音并提高热红外视频增强质量，并在公共 FLIR ADAS 数据集上证明了所提出的方法效果优于现有技术。

May, 2023

通过利用热红外传感器，结合 IR 和 SDR 图像内容的新方法 HDRTNet 在 HDR 图像获取方面取得显著改进，对比研究表明在多种不同光照条件下该方法具有鲁棒性。

Jun, 2024

将标准动态范围电视（SDRTV）内容转换为高动态范围电视（HDRTV）的任务存在严重的色域转换错误，为解决此问题，本文提出了一种新的三步解决方案 HDRTVNet++，其中包括自适应全局色彩映射、局部增强和高光细化，该方法在处理 4K 分辨率图像时具有高效、轻量级的特点。

Sep, 2023

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

通过分析 SDRTV / HDRTV 内容的形成，本文提出了一种三步解决方案包括自适应全局着色映射、局部增强和高光的生成，而且通过利用全局统计信息为指导的轻量网络进行图像自适应配色映射，从而将 SDR 电视内容转换为 HDR 电视版本，并构建了一个名为 HDRTV1K 的 HDR 视频数据集，选择五种度量标准来评估算法的结果，并在定量比较和视觉质量上取得了最佳表现。

Aug, 2021