Jun, 2020

多曝光图像全可微学习的 HDR 图像合成

PDF
TL;DR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。
high dynamic range imagingdeep learningimage reconstructionexposure transferneural networks
发现论文，激发创造
  • 自我监督的动态场景中使用多曝光图像的高动态范围成像

    该研究提出了一种自监督的高动态范围（HDR）重建方法 SelfHDR，该方法仅需使用动态多曝光图像进行训练，可消除对有标签数据的需求，并通过两个互补组件来学习重建网络，分别关注 HDR 颜色和结构。实验结果表明，SelfHDR 在真实世界图像上优于最先进的自监督方法，并与有监督方法具有可比性。

    Oct, 2023

  • 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

  • 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

  • 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

  • HDR-GAN: 使用 GAN 从带有大运动的多曝光 LDR 图像重建 HDR 图像

    本文提出一种新的基于 GAN 的模型 HDR-GAN，用于合成高动态范围（HDR）图像，并通过对抗性学习将多曝光 LDR 图像中带有缺失内容的区域恢复到原有状态，同时还提出了生成网络，并在深度 HDR 监督方案中消除了重建 HDR 图像的伪影，实验结果表明，相对于先前的 HDR 方法，在各种场景中提供了最先进的重建性能。

    Jul, 2020

  • 曝光扩散：通过一致的低动态范围去噪生成高动态范围图像

    使用多个预训练的低动态范围 (LDR) 图像扩散模型的协同作用生成高动态范围 (HDR) 图像，并引入曝光一致性项将 LDR 图像融合，达到有效的 HDR 结果。

    May, 2024

  • ArtHDR-Net：感知逼真且准确的 HDR 内容创作

    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

  • 动态场景的高动态范围成像

    通过自我监督学习策略，提出了一种面向自然动态场景的基于事件的高动态范围成像（HDRI）框架（Self-EHDRI），其中融合了 HDRI 性能和动态模糊补偿，实现了中间锐利 HDR 结果的恢复。实验结果表明，该方法在实时、动态场景下性能优于现有方法。

    Apr, 2024

  • HDR 视频重建：一种粗到细的网络和一个现实世界基准数据集

    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