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

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。

Aug, 2023

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

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

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

本文提出了一种用于估计 RAW 图像中光源颜色的方法，包括一个使用特定设计的卷积神经网络来产生多个局部估计值的过程以及多光源检测器，用于决定网络的本地输出是聚合成单个估计值还是保持多个估计值。在标准数据集上进行实验，得到了与其他通用方法相比更低的估计误差率。

Aug, 2015

本文提出了一个自动方法，通过使用一个有限的视野、低动态范围的室内场景的照片来推断高动态范围的照明。通过使用深度神经网络，我们训练了一个分类器来自动注释 LDR 环境地图中光源的位置，然后利用这些注释来预测场景中光的位置，从而 fine-tune 这个网络来预测每个光源的强度，可以自动获得高质量的 HDR 照明估计结果，从而可以实现逼真的照片级结果。

Apr, 2017

该论文提出了一种新颖的传感器无关光源估计框架，通过学习传感器无关的工作空间来解决为每种类型的相机传感器训练单独的深度神经网络模型的问题。

Dec, 2019

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

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