基于训练免费和曝光一致性扩散的 HDR 重建提升
计算机视觉与模式识别
2026-02-24 v1
摘要
单 LDR 到 HDR 重建在过曝区域仍然具有挑战性，传统方法由于信息完全丢失往往失败。我们提出一种不需要训练的方法，通过基于扩散的填充来增强现有的间接和直接 HDR 重建方法。该方法将文本引导的扩散模型与 SDEdit 精炼相结合，在保持多曝光 LDR 图像一致性的同时，在过曝区域生成合理内容。不同于需要大量训练的先前方法，本方法通过迭代补偿机制无缝集成到现有的 HDR 重建技术中，确保多个曝光之间的亮度一致性。我们在标准 HDR 数据集和野外捕获的图像上展示了在感知质量和量化指标方面的显著改进。结果表明，我们的方法在恢复具有挑战性场景中的自然细节方面有效，而又保留了现有 HDR 重建管道的优势。项目页面: https://github.com/EusdenLin/HDR-Reconstruction-Boosting
引用
@article{arxiv.2602.19706,
title = {HDR Reconstruction Boosting with Training-Free and Exposure-Consistent Diffusion},
author = {Yo-Tin Lin and Su-Kai Chen and Hou-Ning Hu and Yen-Yu Lin and Yu-Lun Liu},
journal= {arXiv preprint arXiv:2602.19706},
year = {2026}
}
备注
WACV 2026. Project page: https://github.com/EusdenLin/HDR-Reconstruction-Boosting