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

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

通过联合训练光学编码器和电子解码器，优化 PSF 参数的镜头表面，并将其作为硬件附加件添加到传统相机中，我们证明这种深度光学成像的单拍 HDR 成像方法优于纯 CNN 方法和其他 PSF 工程方法。

Aug, 2019

该研究提出了一种用于高动态范围成像的非基于流的深度框架，其中将 HDR 成像作为一种图像翻译问题，提出了一种新的算法，从而减少光学流错位、理光、动态物体和一些曝光问题带来的挑战，并与现有算法相比取得了卓越的结果。

Nov, 2017

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

该研究提出一种基于事件流的端到端神经网络，能够从低空间分辨率的事件摄像头中重建出高分辨率，高动态范围的图像，优于现有同类算法，可通过使用主动传感像素框架或迭代重建图像方法进一步扩展。

Dec, 2019

重建高动态范围（HDR）视频从交替曝光的图像序列中是具有挑战性的，提出了一种名为 HDRFlow 的鲁棒且高效的流估计器，能够实时重建 HDR 视频，通过 HDR 领域对齐损失，多尺度大内核和新的 HDR 流训练方案来处理大运动并提高性能。

Mar, 2024

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

该研究论文介绍了一种基于学习的系统，通过使用基于 Transformer 的深度神经网络来减少低动态范围相机在处理宽动态范围输入时经常出现的局部过曝问题，同时不需要复杂的曝光交替或昂贵的处理来实现高动态范围成像。研究采用了多尺度深度神经网络，并使用合适的代价函数进行训练以达到现有技术水平的质量。通过引入过去的参考帧作为额外输入，帮助重建过曝区域，利用自动曝光中常见的暂时不稳定性，训练了一个决定是否将当前帧作为未来参考帧的参考帧选择深度神经网络。因此，无需交替曝光，得到了一种因果关系的潜在应用于常见视频采集环境的高动态范围幻影算法。

Aug, 2023

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