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

本文介绍了 GTA-HDR，一个大规模的合成高动态范围图像数据集，旨在解决从低动态范围图像准确重建出视觉逼真的 HDR 图像的问题，并证明了该数据集在 HDR 图像重建方法和其他计算机视觉任务上的有效性。

Mar, 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

提出了一个名为 Real-RawVSR 的实际原始视频超分辨率 (Raw Video Super-Resolution) 数据集，包含了 450 个不同场景下的低分辨率和高分辨率视频对，并利用两个 DSLR 相机和一个分束器进行采集，同时提出了一种基于两种 RGGB 和原始 Bayer 模式交替使用的两支分支网络，以生成对应的高分辨率 sRGB 图像。实验结果表明，该方法在处理是原始和 sRGB 输入的真实和合成视频上优于基准方法。

Sep, 2022

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

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。

Mar, 2024

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

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

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