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

该论文利用反馈神经网络设计了一种新的端到端反馈网络-FHDR，可将单曝光低动态范围图像生成高动态范围图像，并在定性和定量评估中显示出优越性。

Dec, 2019

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

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

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

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

该研究针对深度HDR成像方法进行了全面和深入的调查和分析。他们根据输入照片数量，学习任务数量，新型传感器数据，新型学习策略和应用程序将现有的深度HDR成像方法层次化和结构化分组为五类，并对每个类别的潜力和挑战进行了建设性讨论，评估了数据集和评估指标，最终指出了未来的研究方向。

Oct, 2021

该研究论文提出了一种基于深度学习的方法，用于从阴影和高光中恢复复杂细节以及重建高动态范围图像，通过图像到图像转换任务，提出了一种基于条件性去噪扩散概率模型（DDPM）的框架，并在该框架中结合了深度卷积神经网络（CNN）的自编码器来提高用于条件化的输入LDR图像的潜在表征质量，此外引入了一种新的损失函数来改善LDR-HDR转换任务的结果质量。通过全面的定量和定性实验，有效地展示了该方法的优越性，结果表明简单的基于扩散的条件方法可以取代复杂的基于相机管线的架构。

Jul, 2023

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

使用多个预训练的低动态范围(LDR)图像扩散模型的协同作用生成高动态范围(HDR)图像，并引入曝光一致性项将LDR图像融合，达到有效的HDR结果。

May, 2024