FastHDRNet: 高效的 SDR 转 HDR 方法
将标准动态范围电视(SDRTV)内容转换为高动态范围电视(HDRTV)的任务存在严重的色域转换错误,为解决此问题,本文提出了一种新的三步解决方案 HDRTVNet++,其中包括自适应全局色彩映射、局部增强和高光细化,该方法在处理 4K 分辨率图像时具有高效、轻量级的特点。
Sep, 2023
通过分析 SDRTV / HDRTV 内容的形成,本文提出了一种三步解决方案包括自适应全局着色映射、局部增强和高光的生成,而且通过利用全局统计信息为指导的轻量网络进行图像自适应配色映射,从而将 SDR 电视内容转换为 HDR 电视版本,并构建了一个名为 HDRTV1K 的 HDR 视频数据集,选择五种度量标准来评估算法的结果,并在定量比较和视觉质量上取得了最佳表现。
Aug, 2021
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
本研究通过构建一个新的 HDRTV 数据集和 HDR-to-SDR 模型来解决 SDR-to-HDRTV up-conversion 任务并使用一个基于亮度分段网络的新方法 (LSN) 来提高转换效果。并更新了相关评价指标用于量化和主观实验验证其效果。
Mar, 2023
提出了一个基于多曝光 LDR 特征的卷积神经网络架构 ArtHDR-Net,实验结果表明 ArtHDR-Net 在 HDR-VDP-2 评分(即平均意见评分指数)方面达到了最先进的性能,同时在 PSNR 和 SSIM 方面也具有竞争性能。
Sep, 2023
本研究提出了一种基于深度卷积神经网络的 HDR 图像恢复方法:ExpandNet,该方法可以自动地将低动态范围(LDR)的图像转换为高动态范围(HDR)的图像,通过学习特征来重构由于量化、截取、色调映射或 gamma 校正而丢失的信息,同时通过避免上采样层来提高图像质量,在多个指标上表现良好。
Mar, 2018
本研究探索了在高动态范围(HDR)数据上训练深度学习模型进行图像质量评估(IQA)的更有效的方法,并通过添加微调和域适应将基于标准动态范围(SDR)数据的预训练模型重新定位到 HDR 数据,验证了我们的方法优于之前的基准结果,并在 HDR 输入上可靠地推广。
May, 2024
本文提出了一种基于深度神经网络和卷积神经网络的新型算法来重建高动态范围图像,其方法相较于传统算法在可视化品质和峰值信噪比方面有较大幅度的提高。
Jan, 2018
本文提出了一种基于学习的方法,使用空间动态编码器 - 解码器网络,HDRUNet,通过去噪和去量化来实现单张图像的高动态范围重建,提出了 Tahn_L1 损失函数,获得了最先进的性能。
May, 2021
通过直方图均衡化的低动态范围图像以及自注意力引导,本文提出一种简单而有效的方法 HistoHDR-Net,用于恢复 HDR 图像的细节(如色彩、对比度、饱和度和亮度),并通过融合的方法实现。实验证明该方法优于现有技术方法。
Feb, 2024