CVPRMay, 2021

ADNet: 基于注意力引导的可变形卷积网络用于高动态范围成像

PDF
TL;DR本研究提出一种基于注意力引导的变形卷积神经网络 ADNet，用于携带多帧高动态范围（HDR）成像，解决曝光过度、噪点和物体运动或摄像头抖动导致的图像不对准等问题，ADNet 在与先前方法的比较中表现出最先进的性能，在 NTIRE 2021 多帧 HDR 挑战中实现了 39.4471 的 PSNR-l 和 37.6359 的 PSNR-μ。
attention-guided deformable convolutional networkhigh dynamic range imagingsaturationobject motioncamera jittering
发现论文，激发创造
  • 基于注意力和对齐网络的高效渐进式高动态范围图像恢复

    本文提出了一种轻量级神经网络 EAPNet，采用多维轻量级编码模块提取特征并提出了 PDUB 模块进行动态调整 MAccs 和 PSNR 的性能。此外，利用快速低功耗的对齐模块解决了 Misalignment 问题，实验结果表明，与现有方法相比，我们的方法在 MAccs 上压缩约 20 倍，并获得了 NTIRE 2022 HDR 挑战的第二名。

    Apr, 2022

  • 基于注意力引导的网络，用于无幽灵高动态范围成像

    提出了一种采用注意力模块引导合并 LDR 图像的高动态范围成像（AHDR）神经网络，此方法可避免光流估计误差引起的伪影问题，通过实验证明该方法能够在图像质量上达到最先进的水平。

    Apr, 2019

  • CEN-HDR：用于实时高动态范围成像的计算效率高的神经网络

    本文提出了一种基于注意力机制和子像素卷积操作的 CEN-HDR 神经网络，以及使用知识蒸馏进行网络压缩的高效训练方案，其在实现高质量获取的同时比现有解决方案更快，并可在实时约束下实际部署。在 Kalantari2017 数据集上，使用 Macbook M1 NPU 实现 33 FPS 的帧速率，得分为 43.04 mu-PSNR。

    Feb, 2023

  • 基于像素和块级别的统一 HDR 成像方法

    使用深度神经网络、Transformer 等技术提出 HyHDRNet 网络，实现低动态范围图像转高动态范围图像的时空去影与融合，与同类算法相比，取得更优的定量和定性效果。

    Apr, 2023

  • 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

  • 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

  • FastHDRNet: 高效的 SDR 转 HDR 方法

    现代显示器具备高动态范围和广色域能力，本研究提出了一种轻量级神经网络方法，通过自适应全局颜色转换和局部增强实现从标准动态范围到高动态范围的转换，达到了业内领先水平。

    Apr, 2024

  • 光亮注意力网络用于 HDR 图像和全景重构

    本文提出了一种基于 LANet 的亮度注意网络，用于从单个 LDR 图像重建 HDR 图像，并提出了一种新的 HDR 校准方法和亮度注意模块来解决 HDR 和 LDR 图像之间的不同之处，同时我们也扩展了网络以进行全景图重建，该方法在 HDR 重建和全景图方面优于现有方法且代码可用。

    Sep, 2021

  • 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

  • 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