Oct, 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

PDF
TL;DR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。
multi-exposure imageshdr imagesghosting artifactsdeep neural networksself-supervised hdr reconstruction
发现论文，激发创造
  • 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

  • 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

  • 用于多曝光高动态范围成像的单图像 HDR 重建辅助鬼影抑制和细节保护网络

    开发了一个多曝光高动态范围 (HDR) 图像重构网络，通过结合单帧 HDR 重构与 ESI 图像利用，有效地解决了动态场景中保留和恢复过曝区域信息以及避免鬼影伪像的挑战。

    Mar, 2024

  • 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

  • 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

  • 动态场景的高动态范围成像

    通过自我监督学习策略，提出了一种面向自然动态场景的基于事件的高动态范围成像（HDRI）框架（Self-EHDRI），其中融合了 HDRI 性能和动态模糊补偿，实现了中间锐利 HDR 结果的恢复。实验结果表明，该方法在实时、动态场景下性能优于现有方法。

    Apr, 2024

  • 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

  • 高动态范围成像技术在饱和补偿下对动态场景的应用

    本文提出了一种新方法，通过将运动对准问题重新制定为简单的亮度调整问题来生成对齐的多曝光特征，并采用粗糙到精细的合并策略和显式饱和度补偿来恢复饱和区域，其中使用自适应的上下文关注重建饱和区域，实验证明我们的方法在定性和定量评估方面优于现有的最先进方法。

    Aug, 2023

  • 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

  • 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