HDRTransDC：基于 Transformer 变形卷积的高动态范围图像重建

Mar, 2024

HDRTransDC：基于 Transformer 变形卷积的高动态范围图像重建

HDRTransDC: High Dynamic Range Image Reconstruction with Transformer Deformation Convolution

Shuaikang Shang, Xuejing Kang, Anlong Ming

TL;DR通过融合多曝光低动态范围（LDR）图像生成无伪影、具有真实细节的高动态范围（HDR）图像是高动态范围成像的目标。为了解决相关问题，本文提出了一种高质量 HDR 图像生成的 HDR 转换变形卷积（HDRTransDC）网络，该网络包括 Transformer Deformable Convolution Alignment Module（TDCAM）和 Dynamic Weight Fusion Block（DWFB）。详细实验表明，我们的方法在定量和定性上都达到了最先进的性能。

Abstract

High Dynamic Range (HDR) imaging aims to generate an artifact-free HDR image with realistic details by fusing multi-exposure Low Dynamic Range (LDR) images. Caused by large motion and severe under-/over-exposure among input LDR images, HDR imaging suffers from ghosting artifacts and

high dynamic range (hdr) imaging fusion distortions ghosting artifacts transformer deformation convolution high-quality hdr images

发现论文，激发创造

基于上下文感知变换器的高动态范围成像

提出了一种基于 CNN 和 Dual Transformer 的 hierarchical dual Transformer 方法（HDT-HDR）进行去除 LDR 图像中 ghosts 的 HDR 图像生成方法，该方法能够同时提取全局特征和局部特征，进行了大量实验验证其效果优于现有的 HDR ghost removal 方法。

Apr, 2023

基于像素和块级别的统一 HDR 成像方法

使用深度神经网络、Transformer 等技术提出 HyHDRNet 网络，实现低动态范围图像转高动态范围图像的时空去影与融合，与同类算法相比，取得更优的定量和定性效果。

Apr, 2023

有上下文感知的 Transformer 技术的无鬼影高动态范围成像

本研究提出一种双分支的 CA-ViT 方法，通过全局支路来捕捉拍摄对象的长距离移动和渐变，局部支路使用通道注意力机制来捕捉具有信息意义的局部细节，从而实现生成真实细节的无幽灵高动态范围成像。实验结果表明，该方法在质量和计算成本上均优于最先进的方法。

Aug, 2022

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

非对齐高动态范围去鬼影的语义一致 Transformer 方法

本研究提出了一个新颖的基于 Semantics ConsistentTransformer（SCTNet）的无对齐网络，其中包括空间和通道注意力模块。我们还介绍了一个新的逼真 HDR 数据集，与传统数据集相比获得了更好的性能和计算成本的权衡。

May, 2023

基于深度互逆 HDR 变换的图像校正

本文提出了一种 Deep Reciprocating HDR Transformation (DRHT) 的方法，将图像纠正任务转化为 HDR 数据的转换处理，使用两个 CNN 来进行 HDR 重建和色调映射，并在标准基准上表现出优越的性能。

Apr, 2018

基于条件扩散模型的高质量 HDR 去鬼影

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

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

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

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