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

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

本文利用基于神经网络的两阶段高动态范围图像色调映射算法，根据感知优化程度，将 HDR 图像通过对比计算 Laplacian 金字塔损失度来自动生成相应的 LDR 图像堆栈，并融合生成期望的 LDR 图像，最终实现完全自动的色调映射。

Jun, 2022

本研究提出了一种基于学习的逆色调映射方法，利用深度自动编码器从非线性、饱和、低动态范围全景图中回归出线性的高动态范围数据，以验证该方法在捕获户外环境映射和图像匹配等方面的实用性。

Mar, 2017

该研究提出了一种基于深度学习和生成对抗式约束的新型逆向调色映射方法，通过交替优化的框架，使用 U-Net-based HDR 图像生成器将输入 LDR 图像转换成 HDR 图像，通过对真实 HDR 图像和生成图像的判别器进行分类，成功地实现了比现有技术更好的 iTM 效果。

Apr, 2018

本文提出了一种 Deep Reciprocating HDR Transformation (DRHT) 的方法，将图像纠正任务转化为 HDR 数据的转换处理，使用两个 CNN 来进行 HDR 重建和色调映射，并在标准基准上表现出优越的性能。

Apr, 2018

本文提出了一种基于学习的方法，通过手机相机拍摄的低动态范围图像推断出高动态范围、全方位光照。通过使用不同反射功能材料在单个曝光中显示不同的光照提示，我们训练深度神经网络从低动态范围背景图像回归到 HDR 照明。通过图像重照操作，我们与预测光照匹配，实现了渲染虚拟物体进入现实环境中。与现有技术相比，我们对自动曝光和白平衡视频进行训练，提高了室内外场景渲染对象的真实感。

Apr, 2019

本文提出了一个自动方法，通过使用一个有限的视野、低动态范围的室内场景的照片来推断高动态范围的照明。通过使用深度神经网络，我们训练了一个分类器来自动注释 LDR 环境地图中光源的位置，然后利用这些注释来预测场景中光的位置，从而 fine-tune 这个网络来预测每个光源的强度，可以自动获得高质量的 HDR 照明估计结果，从而可以实现逼真的照片级结果。

Apr, 2017

提出了一种在一个网络中明确估算色调映射函数和其对应的高动态范围（HDR）图像的方法，通过使用多项式描述色调曲线的趋势并利用可学习网络估算多项式系数，实现对真实 HDR 图像的重建；同时构建了一个包含合成和真实图像的新数据集来解决现有数据集中色调映射函数和中低动态范围（LDR）图像之间的对应关系缺乏问题，并在各种色调映射函数下取得了最先进的性能。

Jul, 2023

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