Apr, 2023

基于上下文感知变换器的高动态范围成像

PDF
TL;DR提出了一种基于 CNN 和 Dual Transformer 的 hierarchical dual Transformer 方法（HDT-HDR）进行去除 LDR 图像中 ghosts 的 HDR 图像生成方法，该方法能够同时提取全局特征和局部特征，进行了大量实验验证其效果优于现有的 HDR ghost removal 方法。
ghost removalconvolutional neural networksdual transformer methodhdr imagesdeformable cnns
发现论文，激发创造
  • 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

  • 有上下文感知的 Transformer 技术的无鬼影高动态范围成像

    本研究提出一种双分支的 CA-ViT 方法，通过全局支路来捕捉拍摄对象的长距离移动和渐变，局部支路使用通道注意力机制来捕捉具有信息意义的局部细节，从而实现生成真实细节的无幽灵高动态范围成像。实验结果表明，该方法在质量和计算成本上均优于最先进的方法。

    Aug, 2022

  • 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

  • 基于条件扩散模型的高质量 HDR 去鬼影

    从低动态范围（LDR）图像中恢复高动态范围（HDR）图像是通过现有的深度神经网络（DNN）技术实现的。但是，基于 DNN 的方法在 LDR 图像存在饱和度和大动作时仍然会生成虚影伪影，这限制了其在真实世界场景中的应用潜力。为了解决这个挑战，我们将 HDR 去伪影问题转化为基于图像生成的问题，利用 LDR 特征作为扩散模型的条件，包括特征条件生成器和噪声预测器。特征条件生成器利用注意力和域特征对齐（DFA）层来转换中间特征，以避免虚影伪影。通过学习得到的特征作为条件，噪声预测器利用随机迭代去噪过程来通过控制采样过程生成 HDR 图像。此外，为了减轻 LDR 图像饱和问题引起的语义混淆，我们设计了一个滑动窗口噪声估计器，以块为单位进行平滑噪声采样。另外，提出了一个图像空间损失来避免估计的 HDR 结果的色彩失真。我们通过在 HDR 成像的基准数据集上进行实证评估，结果表明我们的方法在性能上达到了最先进水平，并且对真实世界图像具有良好的泛化能力。

    Nov, 2023

  • 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

  • 基于深度互逆 HDR 变换的图像校正

    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

  • 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

  • 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

  • 高动态范围图像重建的双阶段深度网络

    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

  • HDR-GAN: 使用 GAN 从带有大运动的多曝光 LDR 图像重建 HDR 图像

    本文提出一种新的基于 GAN 的模型 HDR-GAN，用于合成高动态范围（HDR）图像，并通过对抗性学习将多曝光 LDR 图像中带有缺失内容的区域恢复到原有状态，同时还提出了生成网络，并在深度 HDR 监督方案中消除了重建 HDR 图像的伪影，实验结果表明，相对于先前的 HDR 方法，在各种场景中提供了最先进的重建性能。

    Jul, 2020