本研究提出一种快速，无参数，可自适应不同场景的基于深度生成对抗网络（cGAN）的色调映射运算符（DeepTMO），用于在不同的低动态范围（LDR）输出设备上可视化大量高动态范围（HDR）内容，从而解决现有算子只能成功映射一定数量 HDR 内容且需要大量参数调整才能产生最佳主观质量调制输出的问题。

Aug, 2019

提出了一种基于 CIECAM16 感知属性的 TMOz 色调映射算法，利用感知亮度、丰富度和色调的色彩适应方程从 HDR 图像中导出色彩信息并自动进行亮度压缩，实现更优的色彩再现效果。客观和主观评估方法表明，该模型优于现有的 TMO 算法。

Sep, 2023

本研究描述了一种基于对原生 LDR 图像的最佳视觉特征复制目标的新的色调映射方法，通过无关的 HDR 和 LDR 图像数据集的对抗性训练生成具有照片般逼真质量的无伪影图像，并通过不同的图像保真度指数和视觉距离证明其实现的最新性能。

Oct, 2021

本研究论文介绍了一种基于小型机器学习的全局色调映射方法（TGTM），该方法在任意分辨率下的每个 RGB 图像上以 9,000 FLOPS 的计算速度操作，通过应用于图像直方图数据，实现了 HDR 图像的色调映射，结果表明 TGTM 在实际 HDR 相机图像上相对于现有方法具有更高的峰值信噪比（PSNR），而计算量则较低。

May, 2024

使用优化的多尺度 Retinex 算法和基于 U-Net 架构的深度学习方法，对 16bpp 的热红外图像进行色调映射算法的研究，以及使用自监督深度学习方法减少噪音并提高热红外视频增强质量，并在公共 FLIR ADAS 数据集上证明了所提出的方法效果优于现有技术。

May, 2023

本文提出了一种新颖的逆向色调映射方法，通过基于语义感知的扩散补全方法在遮罩区域中生成丢失的剪切区域的细节，并借鉴传统的 HDR 成像和曝光方法，提出了一种与生成式补全方法兼容的将 SDR 补全区域提升为 HDR 图像的原则式公式。结果表明，我们的方法在客观指标上展现出卓越的性能，并且主观实验表明，所提出的方法在视觉保真度方面与最先进的逆向色调映射算子相匹配（在大多数情况下超越）和超过它们。

May, 2024

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

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

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

对现有显示器不兼容的 HDR 视频进行色调映射处理以服务于 SDR 受限的用户，通过分析合成的 15,000 个经过主观质量注释的 HDR 视频数据库对色调映射算法的视觉质量进行评估和基准测试，为 HDR 视频的色调映射和质量评估领域带来显著进展。

Mar, 2024