CVPRMar, 2024

HDRFlow: 大运动实时高动态范围视频重建

PDF
TL;DR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。
high dynamic rangehdr videoalternating exposuresflow estimatorreal-time
发现论文，激发创造
  • 具有大型前景运动的深度高动态范围成像

    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

  • 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

  • LAN-HDR: 基于亮度的高动态范围视频重建的对齐网络

    提出一种端到端的 HDR 视频合成框架，使用 HDR 对齐网络进行低动态范围（LDR）帧之间的运动补偿，并在特征空间中融合对齐的特征生成 HDR 帧，避免了基于像素域光流算法的流估计误差，同时通过引入时域损失来增强时序一致性。实验证明，该方法在多个基准测试上表现良好或可与最先进的方法相媲美。

    Aug, 2023

  • 使用原始和 sRGB 领域的大动态数据集进行 HDR 视频重建

    本研究采用交错传感器捕捉两个曝光图像，并将它们通过融合算法转换为原始和 sRGB 颜色空间下的 HDR 图像，从而创建一个包含 85 个场景和每个场景包含 60 个帧的大规模 LDR-HDR 视频数据集，进而通过提出的基于金字塔流向引导变形卷积的 Raw-HDRNet 模型，以 LDR 图像为输入进行高清重构，该模型在真实场景下的表现比 sRGB 输入更好。

    Apr, 2023

  • 健壮高动态范围视频合成的最大后验估计框架

    该研究提出了一种基于统计学思想的方法，通过最大后验估计对目标帧进行前景和背景优化求解，通过秩降低法得到背景估计并利用一种新颖的多尺度自适应核回归技术进行前景估计，与现有方法相比，得出高效的 HDR 视频且实验效果明显。

    Dec, 2016

  • 走向真实世界的 HDR 视频重建：一个大规模基准数据集和两阶段对齐网络

    提出了一个大规模真实世界的高动态范围（HDR）视频重建基准数据集 Real-HDRV，其中包含 500 个低动态范围（LDR）- 高动态范围（HDR）视频对，结合了全天候、室内和室外等各种场景，提出了一种使用新型的两阶段策略进行全局和局部对齐的端到端网络，实验结果表明，在真实场景中，该方法超越了之前的最先进方法。

    Apr, 2024

  • 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

  • HDR-GAN: 使用 GAN 从带有大运动的多曝光 LDR 图像重建 HDR 图像

    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

  • 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

  • 扩散促进的高动态范围视频重建

    提出了一种名为 HDR-V-Diff 的高动态范围（HDR）视频重建方法，结合扩散模型以实现 HDR 分布，通过 HDR Latent Diffusion Model（HDR-LDM）学习单个 HDR 帧的分布先验知识，通过 Temporal-Consistent Alignment Module（TCAM）学习时序信息，使用 Zero-Init Cross-Attention（ZiCA）机制整合先验分布和时序信息，从而生成具有真实细节的 HDR 帧。经过广泛实验证明，HDR-V-Diff 在多个代表性数据集上实现了最先进的结果。

    Jun, 2024