ExpandNet：用于从低动态范围内容扩展高动态范围的深度卷积神经网络
计算机视觉与模式识别
2019-09-05 v2 图形学
摘要
高动态范围（HDR）成像具备处理真实世界光照的能力，而传统的低动态范围（LDR）难以准确表示具有更高动态范围的图像。然而，大多数成像内容仍仅有LDR可用。本文提出一种基于深度卷积神经网络（CNN）从LDR内容生成HDR内容的方法，称为ExpandNet。ExpandNet以LDR图像为输入，以端到端方式生成范围扩展的图像。该模型试图重建因量化、截断、色调映射或伽马校正而从原始信号中丢失的缺失信息。所添加的信息由学习到的特征重建，因为网络使用HDR图像数据集以监督方式训练。该方法完全自动且数据驱动；不需要任何启发式规则或人类专业知识。ExpandNet采用多尺度架构，避免使用上采样层以提升图像质量。该方法在多个指标上相较于扩展/逆色调映射算子定量表现良好，即使对曝光不良的输入亦然。
引用
@article{arxiv.1803.02266,
title = {ExpandNet: A Deep Convolutional Neural Network for High Dynamic Range Expansion from Low Dynamic Range Content},
author = {Demetris Marnerides and Thomas Bashford-Rogers and Jonathan Hatchett and Kurt Debattista},
journal= {arXiv preprint arXiv:1803.02266},
year = {2019}
}
备注
Eurographics 2018