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

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

提出了一个基于多曝光 LDR 特征的卷积神经网络架构 ArtHDR-Net，实验结果表明 ArtHDR-Net 在 HDR-VDP-2 评分（即平均意见评分指数）方面达到了最先进的性能，同时在 PSNR 和 SSIM 方面也具有竞争性能。

Sep, 2023

从低动态范围（LDR）图像中恢复高动态范围（HDR）图像是通过现有的深度神经网络（DNN）技术实现的。但是，基于 DNN 的方法在 LDR 图像存在饱和度和大动作时仍然会生成虚影伪影，这限制了其在真实世界场景中的应用潜力。为了解决这个挑战，我们将 HDR 去伪影问题转化为基于图像生成的问题，利用 LDR 特征作为扩散模型的条件，包括特征条件生成器和噪声预测器。特征条件生成器利用注意力和域特征对齐（DFA）层来转换中间特征，以避免虚影伪影。通过学习得到的特征作为条件，噪声预测器利用随机迭代去噪过程来通过控制采样过程生成 HDR 图像。此外，为了减轻 LDR 图像饱和问题引起的语义混淆，我们设计了一个滑动窗口噪声估计器，以块为单位进行平滑噪声采样。另外，提出了一个图像空间损失来避免估计的 HDR 结果的色彩失真。我们通过在 HDR 成像的基准数据集上进行实证评估，结果表明我们的方法在性能上达到了最先进水平，并且对真实世界图像具有良好的泛化能力。

Nov, 2023

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

提出了一种基于 CNN 和 Dual Transformer 的 hierarchical dual Transformer 方法（HDT-HDR）进行去除 LDR 图像中 ghosts 的 HDR 图像生成方法，该方法能够同时提取全局特征和局部特征，进行了大量实验验证其效果优于现有的 HDR ghost removal 方法。

Apr, 2023

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

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

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