曝光扩散:通过一致的低动态范围去噪生成高动态范围图像
该研究论文提出了一种基于深度学习的方法,用于从阴影和高光中恢复复杂细节以及重建高动态范围图像,通过图像到图像转换任务,提出了一种基于条件性去噪扩散概率模型(DDPM)的框架,并在该框架中结合了深度卷积神经网络(CNN)的自编码器来提高用于条件化的输入 LDR 图像的潜在表征质量,此外引入了一种新的损失函数来改善 LDR-HDR 转换任务的结果质量。通过全面的定量和定性实验,有效地展示了该方法的优越性,结果表明简单的基于扩散的条件方法可以取代复杂的基于相机管线的架构。
Jul, 2023
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
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
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
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
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
通过两阶段方法实现高动态范围(HDR)图像增强,第一阶段对颜色和亮度进行映射调整,第二阶段利用扩散先验生成在捕捉中丢失的动态范围极端处的内容,显著提高 LDR 图像的质量和细节。
Jun, 2024
提出了一种深度学习方法,利用不同的神经网络来实现高动态范围成像,通过显式地使用损失函数,使得网络能够更准确地进行多曝光堆栈生成,同时能够更好地处理整个高动态范围成像过程中的曝光变换任务和图像分解处理,相较于现有的算法方法具有更好的性能表现。
Jun, 2020
本研究描述了一种基于对原生 LDR 图像的最佳视觉特征复制目标的新的色调映射方法,通过无关的 HDR 和 LDR 图像数据集的对抗性训练生成具有照片般逼真质量的无伪影图像,并通过不同的图像保真度指数和视觉距离证明其实现的最新性能。
Oct, 2021