使用反馈网络从单个 LDR 图像重建 HDR 图像
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
该研究提出了一种基于 CNN 的图像重建算法,通过采用域知识来对低动态范围图像制造管道进行建模,并将重建问题分解为特定的子任务,最终的模型相比现有的单一图像 HDR 重建算法表现更好。
Apr, 2020
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
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
通过粗略的图像对齐和像素混合以及在粗略的 HDR 视频的特征空间中进行更复杂的对齐和时间融合,我们提出了一种基于深度学习的 HDR 视频重建框架,并提出了一个新的 HDR 视频重建数据集和一些优化方法。
Mar, 2021
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
通过直方图均衡化的低动态范围图像以及自注意力引导,本文提出一种简单而有效的方法 HistoHDR-Net,用于恢复 HDR 图像的细节(如色彩、对比度、饱和度和亮度),并通过融合的方法实现。实验证明该方法优于现有技术方法。
Feb, 2024
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
提出了一种深度学习方法,利用不同的神经网络来实现高动态范围成像,通过显式地使用损失函数,使得网络能够更准确地进行多曝光堆栈生成,同时能够更好地处理整个高动态范围成像过程中的曝光变换任务和图像分解处理,相较于现有的算法方法具有更好的性能表现。
Jun, 2020