本文提出了一种基于多个不完美的多曝光图像融合贡献者的集合框架（EMEF）以解决当前的 MEF 问题，通过在预训练阶段统一网络模仿不同的 MEF 目标，并在运行时通过优化风格代码来调整模仿者网络，进而在最新的 MEF 基准测试数据集上取得了最好的实验结果。

May, 2023

本论文提出一种感知型多曝光融合技术，使用改进后的自适应曝光度度量和三维梯度进行对比度增强，具有细节丰富度高，计算成本低等优点，在图像增强领域取得了良好的实验结果。

Oct, 2022

提出了一种新的深度学习架构，用于融合静态多曝光图像，并使用无监督的深度学习框架，利用无参考质量度量作为损失函数进行训练。使用从每个图像中提取的低级特征生成无伪影感知愉悦的结果，这种方法在自然图像方面优于现有的最先进方法。

Dec, 2017

本文提出了一种名为 HSDS-MEF 的用于多曝光图像融合（MEF）的双搜索混合监督的方法，通过引入双重优化搜索方案来自动设计网络结构和损失函数，实现了比竞争方案更好的表现，在一般和无参考场景中，视觉信息保真度（VIF）分别提高了 10.61％和 4.38％，同时提供了高对比度，丰富细节和色彩的结果。

Sep, 2023

本文提出了一种基于 Laplacian Pyramid 分解的 Fusion-Correction 网络，该网络通过多层级别的顺序处理来同时解决 Single-Exposure Correction 和 Multi-Exposure Fusion 任务，实验结果表明其在这两个任务上具有很好的表现。

Mar, 2022

本文提出了一种基于 Transformer 的多曝光图像融合框架 TransMEF，使用自监督多任务学习，通过设计重构任务并使用多任务学习进行同时训练，使网络可以学习到多曝光图像的特征和提取更广义的特征，同时将 CNN 模块与 Transformer 模块结合来解决 CNN-based 构架中建立长距离依赖的缺陷。在对比 11 种传统和深度学习方法后，本文提出的方法在主观和客观评估中都取得了最佳性能。

Dec, 2021

我们介绍了一种高质量多曝光图像融合的新方法，通过编码每个曝光的融合权重到一维查找表（LUT）中，利用注意力机制提升融合质量，并通过一个包含 960 个样本的数据集训练网络，实验证明我们的方法在质量和效率上都优于现有方法。

Sep, 2023

该论文设计了一种基于多曝光融合的低光图像增强框架，使用光照估计和相机响应模型来综合多副本图像，并通过融合算法实现了对比度和明度的准确提升。实验表明，该方法较其他现有方法更少引入对比度和亮度失真。

Nov, 2017

通过空频积分框架 (Spatial-Frequency Integration Framework) 提出了一种新颖的多曝光图像融合方法 (MEF-SFI)，通过有效利用频率域的整体光照建模能力，结合空间和频率路径的深度傅里叶变换方法，以及双域损失函数的综合作用，实现了对输入图像的融合，取得了与最先进的多曝光图像融合方法相媲美的视觉效果。

Dec, 2023

提出了一种名为 EBSNet 的深度神经网络，它可以自动选择曝光多次以进行多曝光融合，无需相机响应函数，传感器噪声模型和带有不同曝光的预览图像流。通过从单个自动曝光预览图像中提取的亮度和语义信息，EBSNet 可以选择最佳曝光时间以进行多曝光融合。

May, 2020