Jun, 2023

从现实世界的 RAW 图像中高效重建 HDR

PDF
TL;DR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。
high dynamic range imaginglearning-based hdr reconstructionraw hdr data formation pipelinereparameterization techniquemotion alignment loss
发现论文，激发创造
  • 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

  • 使用原始和 sRGB 领域的大动态数据集进行 HDR 视频重建

    本研究采用交错传感器捕捉两个曝光图像，并将它们通过融合算法转换为原始和 sRGB 颜色空间下的 HDR 图像，从而创建一个包含 85 个场景和每个场景包含 60 个帧的大规模 LDR-HDR 视频数据集，进而通过提出的基于金字塔流向引导变形卷积的 Raw-HDRNet 模型，以 LDR 图像为输入进行高清重构，该模型在真实场景下的表现比 sRGB 输入更好。

    Apr, 2023

  • 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

  • 学习相机回退管线进行单图高动态范围重建

    该研究提出了一种基于 CNN 的图像重建算法，通过采用域知识来对低动态范围图像制造管道进行建模，并将重建问题分解为特定的子任务，最终的模型相比现有的单一图像 HDR 重建算法表现更好。

    Apr, 2020

  • 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

  • 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

  • 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

  • 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

  • Merging-ISP: 多曝光高动态范围图像信号处理

    本研究提出了一种名为 Merging-ISP 的多曝光 HDR 图像信号处理管线，通过深度神经网络对 CFA 数据进行处理，直接重建多组曝光下的动态场景的 HDR 图像，相较于传统的串联算法方案，Merging-ISP 可以最优地解决所有子任务，以高质量和更高的峰值信噪比为结果比较标准，优势显著。

    Nov, 2019

  • 走向真实世界的 HDR 视频重建：一个大规模基准数据集和两阶段对齐网络

    提出了一个大规模真实世界的高动态范围（HDR）视频重建基准数据集 Real-HDRV，其中包含 500 个低动态范围（LDR）- 高动态范围（HDR）视频对，结合了全天候、室内和室外等各种场景，提出了一种使用新型的两阶段策略进行全局和局部对齐的端到端网络，实验结果表明，在真实场景中，该方法超越了之前的最先进方法。

    Apr, 2024