Aug, 2023

多曝光图像堆栈中曝光比率的鲁棒估计

PDF
TL;DR将多曝光图像堆叠合并为高动态范围（HDR）图像需要准确的曝光时间，为了解决从相机的 EXIF 元数据提取的曝光时间不准确导致的条纹伪影问题，我们提出直接从输入图像中估计曝光比率的方法，并通过线性求解器高效地解决了该问题，同时该方法还可以在多个空间块中收集像素以消除由相机或物体运动引起的像素错位问题，该自动曝光估计与对齐方法消除了流行数据集中的条纹伪影，对于需要物理上准确重建的应用非常关键，如测量显示器的调制传递函数。该方法的代码可用。
发现论文，激发创造
  • 双曝光高动态范围成像中的照明估计优化

    本研究探索了利用不同曝光时间捕获的图片帧中的信息，引入了从双曝光图像提取的简单特征（DEF）来指导光照估计器，在光照估计方面表现出了显著的效果。

    Mar, 2024

  • 基于堆栈的 HDR 图像成像的图像选择改进

    本文介绍了一种基于堆栈的高动态范围成像技术，通过组合不同曝光下获取的低动态范围图像来实现图像的更大动态范围。该文提出了一种自动选择获取曝光时间的方法，以实现更快和更准确的 HDR 图像的获取。作者还展示了该方法在大量基准场景下的表现优于现有方法。

    Jun, 2018

  • 用于稳健曝光校正的双重照明估计

    本文提出了一种新颖的自动曝光校正方法，核心在于双重照明估计，将欠曝光和过曝光校正分别作为输入图像和反转输入图像的明显估计。通过执行双照明估计，为输入图像获得两个中间曝光校正结果，并采用多重曝光图像融合技术自适应地混合两个中间曝光校正图像和输入图像的视觉最佳暴露部分形成全局性能好的图像。实验表明，该方法在各种具有挑战性的图像上比现有方法和流行的自动曝光校正工具更为有效。

    Oct, 2019

  • 知觉多曝光融合

    本论文提出一种感知型多曝光融合技术，使用改进后的自适应曝光度度量和三维梯度进行对比度增强，具有细节丰富度高，计算成本低等优点，在图像增强领域取得了良好的实验结果。

    Oct, 2022

  • 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

  • 基于单应矩阵估计和注意力学习的深度曝光融合去重影技术

    本文提出使用深度神经网络结合单一曝光下多图像曝光融合技术来解决现代相机的动态范围限制问题，并在手机摄影实验中获得了高质量的图像。

    Apr, 2020

  • 多曝光图像全可微学习的 HDR 图像合成

    提出了一种深度学习方法，利用不同的神经网络来实现高动态范围成像，通过显式地使用损失函数，使得网络能够更准确地进行多曝光堆栈生成，同时能够更好地处理整个高动态范围成像过程中的曝光变换任务和图像分解处理，相较于现有的算法方法具有更好的性能表现。

    Jun, 2020

  • 采用二维二路复用实现空间变化曝光：最优性和通用性

    本文旨在解决自适应高动态范围成像中曝光复用方案的设计优化问题，提出一种基于 SVE-Risk 的曝光风险估计，并提出了一种有效枚举算法来选择最优的曝光复用模式。研究发现曝光复用模式的设计可以与图像重建算法解耦，可大幅减少整个过程的实现难度。

    Jun, 2023

  • 自我监督的动态场景中使用多曝光图像的高动态范围成像

    该研究提出了一种自监督的高动态范围（HDR）重建方法 SelfHDR，该方法仅需使用动态多曝光图像进行训练，可消除对有标签数据的需求，并通过两个互补组件来学习重建网络，分别关注 HDR 颜色和结构。实验结果表明，SelfHDR 在真实世界图像上优于最先进的自监督方法，并与有监督方法具有可比性。

    Oct, 2023

  • 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