ICCVAug, 2021

单幅图像 HDR 重建中的度量欺骗方法

PDF
TL;DR本文旨在探讨 SI-HDR 重建评估中存在的问题，并提出了统一标准以进行有效的比较，同时指出深度学习方法的提高并不一定能够反映出视觉上的优越性，呼吁对 SI-HDR 重建进行更好的评估协议。
single-image high dynamic rangedeep learningevaluation protocolsimage qualityobjective metrics
发现论文，激发创造
  • 从现实世界的 RAW 图像中高效重建 HDR

    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

  • 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

  • 适应预训练网络用于高动态范围显示器上的图像质量评估

    本研究探索了在高动态范围（HDR）数据上训练深度学习模型进行图像质量评估（IQA）的更有效的方法，并通过添加微调和域适应将基于标准动态范围（SDR）数据的预训练模型重新定位到 HDR 数据，验证了我们的方法优于之前的基准结果，并在 HDR 输入上可靠地推广。

    May, 2024

  • 使用具有掩蔽特征和感知损失的 CNN 进行单张图像 HDR 重建

    本研究提出了一种基于深度学习的方法来完善数字相机的图像，通过采用新颖的特征掩蔽机制和 VGG-based 感知丢失函数的采用，能够更好地还原实际场景中鲜艳颜色的图像。

    May, 2020

  • 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

  • 学习单图像超分辨率无参考质量评估指标

    本文通过对大量超分辨率图像进行人类主观研究，提出了一种基于视觉感知评分学习的无参考指标，使用空间域和频域中的三种低级统计特征对超分辨率图像上的特征进行量化，并学习了一个两阶段回归模型，无需参考基准图像即可预测超分辨率图像的质量得分，实验证明这种指标可以有效、高效地评估超分辨率图像的质量。

    Dec, 2016

  • 多传感器 HDR 视频重建的统一框架

    该论文提出了一种基于多传感器的摄像机系统，旨在直接从原始传感器数据进行 HDR 组装的统一方法，其中包括适用于 HDR 视频的相机噪声模型和基于拟合局部多项式逼近观察到的传感器数据的空间自适应 HDR 重构算法。

    Aug, 2013

  • RawHDR：单张 RAW 图像的高动态范围图像重建

    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

  • 单次高动态范围成像的深度光学技术

    通过联合训练光学编码器和电子解码器，优化 PSF 参数的镜头表面，并将其作为硬件附加件添加到传统相机中，我们证明这种深度光学成像的单拍 HDR 成像方法优于纯 CNN 方法和其他 PSF 工程方法。

    Aug, 2019

  • 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