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

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

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

本文使用 Grand Theft Auto (GTA-V) 生成高分辨率的合成深度数据集 (HRSD)，包含 100,000 张彩色图像和相应的密集地面真实深度图，实验结果表明，使用此数据集训练的 DPT 算法在不同场景下的深度估计精度提高了 9％，进一步利用特征提取模块和注意力损失，可以将准确度提高 15％。

May, 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

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

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

介绍了一种利用光度计经过校准的高动态范围全景图数据集的方法，可用于在计算机视觉任务中更准确地估计室内场景中的像素亮度、颜色温度和照明情况。

Apr, 2023

该论文回顾了 NTIRE 2021 高动态范围（HDR）成像挑战赛的首次挑战，着重讲述了新引入的数据集、提出的方法及其结果。该挑战旨在从一个或多个低动态范围（LDR）观测中估计 HDR 图像，要解决曝光不足或过度曝光区域和不同噪声来源的问题。本文介绍了该挑战的两个阶段，并旨在实现最佳目标 HDR 重构。

Jun, 2021

我们提出了第一个大规模的 3D 真实汽车数据集，名为 3DRealCar，具有高容量、高质量和高多样性的特点，以及可用于改进与汽车相关的各种 2D 和 3D 任务的潜力。

Jun, 2024