Jul, 2020

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

PDF
TL;DR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。
hdr imagesldr imagesgan-based modelmissing detailsreconstruction
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

  • LAN-HDR: 基于亮度的高动态范围视频重建的对齐网络

    提出一种端到端的 HDR 视频合成框架，使用 HDR 对齐网络进行低动态范围（LDR）帧之间的运动补偿，并在特征空间中融合对齐的特征生成 HDR 帧，避免了基于像素域光流算法的流估计误差，同时通过引入时域损失来增强时序一致性。实验证明，该方法在多个基准测试上表现良好或可与最先进的方法相媲美。

    Aug, 2023

  • 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

  • 基于上下文感知变换器的高动态范围成像

    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

  • 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

  • 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

  • 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

  • 多曝光图像全可微学习的 HDR 图像合成

    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

  • HDRTransDC：基于 Transformer 变形卷积的高动态范围图像重建

    通过融合多曝光低动态范围（LDR）图像生成无伪影、具有真实细节的高动态范围（HDR）图像是高动态范围成像的目标。为了解决相关问题，本文提出了一种高质量 HDR 图像生成的 HDR 转换变形卷积（HDRTransDC）网络，该网络包括 Transformer Deformable Convolution Alignment Module（TDCAM）和 Dynamic Weight Fusion Block（DWFB）。详细实验表明，我们的方法在定量和定性上都达到了最先进的性能。

    Mar, 2024

  • 高动态范围成像技术在饱和补偿下对动态场景的应用

    本文提出了一种新方法，通过将运动对准问题重新制定为简单的亮度调整问题来生成对齐的多曝光特征，并采用粗糙到精细的合并策略和显式饱和度补偿来恢复饱和区域，其中使用自适应的上下文关注重建饱和区域，实验证明我们的方法在定性和定量评估方面优于现有的最先进方法。

    Aug, 2023