HDR视频重建：由粗到细的网络与真实世界基准数据集
计算机视觉与模式识别
2021-08-24 v2
摘要
从交替曝光捕获的序列中进行高动态范围（HDR）视频重建是一个极具挑战性的问题。现有方法常在图像空间中使用光流对齐低动态范围（LDR）输入序列，然后合并对齐图像以产生HDR输出。然而，由于过曝光区域细节缺失与欠曝光区域噪声，图像空间中的精确对齐与融合十分困难，导致令人不悦的鬼影伪影。为实现更精确的对齐与HDR融合，我们引入一种由粗到细的深度学习框架用于HDR视频重建。首先，我们在图像空间中进行粗对齐与像素混合以估计粗HDR视频。其次，我们在粗HDR视频的特征空间中进行更精细的对齐与时间融合，以产生更好的重建。考虑到目前尚无公开可用数据集用于HDR视频重建方法的定量与综合评估，我们收集了这样一个基准数据集，其包含个静态场景序列与184个动态场景测试对。大量实验表明我们的方法优于先前最先进的方法。我们的数据集、代码与模型将公开提供。
引用
@article{arxiv.2103.14943,
title = {HDR Video Reconstruction: A Coarse-to-fine Network and A Real-world Benchmark Dataset},
author = {Guanying Chen and Chaofeng Chen and Shi Guo and Zhetong Liang and Kwan-Yee K. Wong and Lei Zhang},
journal= {arXiv preprint arXiv:2103.14943},
year = {2021}
}
备注
ICCV 2021: http://guanyingc.github.io/DeepHDRVideo/