面向动态场景的可学习曝光融合
计算机视觉与模式识别
2018-04-06 v1
摘要
在本文中，我们关注动态场景下的曝光融合（EF）[ExposFusi2]。该任务是将通过包围曝光获得的多个图像融合，以创建包含高水平细节的图像。通常，由于硬件限制（例如传感器有限的动态范围），此类图像无法直接由相机获得。此类任务的一个主要问题是，由于场景运动或相机运动，图像可能在空间上未对齐。已知由图像配准问题所需的对齐是不适定的。在这种情况下，待对齐图像强度范围不同，使问题更加困难。为解决上述问题，我们提出一种端到端的\emph{卷积神经网络}（CNN）方法，以学习从描绘不同场景内容的 和 张低动态范围（LDR）图像估计曝光融合。据我们所知，文献中尚无针对此类问题的高效且鲁棒的基于CNN的端到端方法。其思路是创建一个具有完美对齐LDR图像的数据集，以获得地面真值曝光融合图像。同时，我们获得带有某些运动的额外LDR图像，其具有与完美对齐LDR图像相同的曝光融合地面真值。以此方式，我们可以训练具有未对齐LDR输入图像但具有正确地面真值曝光融合图像的端到端CNN。我们提出一种特定的CNN架构来解决此问题。在各种实验中，我们表明所提方法产生了优异的结果。
引用
@article{arxiv.1804.01611,
title = {Learnable Exposure Fusion for Dynamic Scenes},
author = {Fahd Bouzaraa and Ibrahim Halfaoui and Onay Urfalioglu},
journal= {arXiv preprint arXiv:1804.01611},
year = {2018}
}