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

通过实现在高度压缩的潜空间中的扩散模型，并将其整合到基于回归的模型中以增强重建图像的细节，提出了无幽灵的高动态范围（HDR）成像的低频感知扩散（LF-Diff）模型。在合成和真实世界基准数据集上进行的大量实验表明，我们的 LF-Diff 比几种最先进的方法表现出更好的性能，并且比基于扩散模型的先前方法快 10 倍。

Apr, 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

使用多个预训练的低动态范围 (LDR) 图像扩散模型的协同作用生成高动态范围 (HDR) 图像，并引入曝光一致性项将 LDR 图像融合，达到有效的 HDR 结果。

May, 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

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

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

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。

Mar, 2024

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

利用预训练的隐式扩散模型，结合时序动态和创新的序列导向损失来提高视频超分辨率，实现更好的感知质量。

Dec, 2023