面向多曝光图像端到端可微学习的 HDR 图像合成
图像与视频处理
2020-12-21 v2 计算机视觉与模式识别
摘要
近年来，基于给定单次曝光的多曝光栈、利用深度学习框架生成高质量高动态范围（HDR）图像的方法得到发展。这些传统网络聚焦于曝光迁移任务以重建多曝光栈。因此，当反演伪影出现时，它们往往无法将多曝光栈融合为感知愉悦的 HDR 图像。我们通过提出一种带有完全可微高动态范围成像（HDRI）过程的新型框架来解决基于栈重建方法中的问题。通过显式使用将网络输出与真实 HDR 图像进行比较的损失，我们的框架使得生成用于 HDRI 的多曝光栈的神经网络能够稳定训练。换言之，我们的可微 HDR 合成层帮助深度神经网络在反映 HDRI 过程中多曝光图像间精确相关性的同时，训练生成多曝光栈。此外，我们的网络利用图像分解与递归过程来促进曝光迁移任务并自适应响应递归频率。实验结果表明，所提网络在曝光迁移任务和整体 HDRI 过程上均优于当前最优的定量与定性结果。
引用
@article{arxiv.2006.15833,
title = {End-to-End Differentiable Learning to HDR Image Synthesis for Multi-exposure Images},
author = {Jung Hee Kim and Siyeong Lee and Suk-Ju Kang},
journal= {arXiv preprint arXiv:2006.15833},
year = {2020}
}