AFUNet：基于深度展开范式的交叉迭代对齐-融合HDR重建
图像与视频处理
2025-07-08 v2 计算机视觉与模式识别
摘要
现有学习方法有效地从多曝光 LDR 输入重建 HDR 图像，实现扩展动态范围和 improved detail，但依赖于经验性设计而非理论基础，这可能影响其可靠性。为此，我们提出交叉迭代对齐-融合深度展开网络（AFUNet），将 HDR 重建系统地解耦为两个交错子任务——对齐和融合——通过交替细化进行优化，实现两项子任务间的协同，提升整体性能。我们的 метод将多曝光 HDR 重建从最大后验估计（MAP）视角表述，显式地纳入跨 LDR 图像的空间对应先验，并通过联合约束自然地桥接对齐和融合子问题。基于数学基础，我们重新构想传统迭代优化通过展开——将传统求解过程转化为可 end-to-end 训练的AFUNet，设计 carefully 的模块按序工作。具体而言，AFUNet的每个迭代包含一个对齐-融合模块（AFM），在空间对齐模块（SAM）用于对齐和通道融合模块（CFM）用于自适应特征融合之间交替，逐步桥接误位内容和曝光差异。广泛的定性和定量评估表明，AFUNet的性能优于当前最先进的方法。我们的代码已公开：https://github.com/eezkni/AFUNet
引用
@article{arxiv.2506.23537,
title = {AFUNet: Cross-Iterative Alignment-Fusion Synergy for HDR Reconstruction via Deep Unfolding Paradigm},
author = {Xinyue Li and Zhangkai Ni and Wenhan Yang},
journal= {arXiv preprint arXiv:2506.23537},
year = {2025}
}
备注
Accepted to International Conference on Computer Vision (ICCV) 2025