CVPRApr, 2020

学习相机回退管线进行单图高动态范围重建

PDF
TL;DR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。
high dynamic rangelow dynamic rangeimage reconstructionimage processingcnn
发现论文，激发创造
  • Deep Chain HDRI：从单幅低动态范围图像重建高动态范围图像

    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

  • 使用深度卷积神经网络从单个曝光重建 HDR 图像

    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

  • 使用反馈网络从单个 LDR 图像重建 HDR 图像

    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

  • RawHDR：单张 RAW 图像的高动态范围图像重建

    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

  • 从现实世界的 RAW 图像中高效重建 HDR

    本文提出了一种新的计算原始 HDR 数据形成管道并构建了第一个实际的原始 HDR 数据集 RealRaw-HDR，开发了一种轻量级高效的 HDR 模型 RepUNet，通过提出即插即用的运动对齐损失方法，解决了短曝光和长曝光图像之间的动作对齐问题，并在视觉质量和量化指标方面实现了最先进的性能。

    Jun, 2023

  • 高动态范围图像重建的双阶段深度网络

    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

  • 基于深度互逆 HDR 变换的图像校正

    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

  • 使用具有掩蔽特征和感知损失的 CNN 进行单张图像 HDR 重建

    本研究提出了一种基于深度学习的方法来完善数字相机的图像，通过采用新颖的特征掩蔽机制和 VGG-based 感知丢失函数的采用，能够更好地还原实际场景中鲜艳颜色的图像。

    May, 2020

  • 单图低动态范围（LDR）到高动态范围（HDR）转换的条件扩散

    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

  • HDRUNet: 使用去噪和去量化技术进行单图高动态范围图像重建

    本文提出了一种基于学习的方法，使用空间动态编码器 - 解码器网络，HDRUNet，通过去噪和去量化来实现单张图像的高动态范围重建，提出了 Tahn_L1 损失函数，获得了最先进的性能。

    May, 2021