面向 tone mapping 的差分金字塔表示学习
计算机视觉与模式识别
2025-10-23 v2 图像与视频处理
摘要
现有的 tone mapping 方法 operate on 下采样输入，依赖手工金字塔来恢复高频细节。这些设计通常无法在复杂 HDR 场景中保留细小纹理和结构保真度。此外，大多数方法缺乏有效机制来联合建模全局 tone consistency 和 local contrast enhancement，从而导致 globally flat 或 locally inconsistent 的输出，如晕影 artifact。我们提出了 Differential Pyramid Representation Network (DPRNet)，用于高保真 tone mapping。其核心是一个可学习的差分金字塔，通过不同尺度上的内容感知 differencing 操作推广传统的 Laplacian 和 Difference-of-Gaussian 金字塔。这使得 DPRNet 能够在多样化的亮度和对比度条件下，适应性地捕获高频变化。为实现感知一致性，DPRNet 包含在下采样输入上 operate 的全局 tone perception 和 local tone tuning 模块，实现了高效且富有表现力的 tone adaptation。最后，一个迭代细节增强模块按 coarse-to-fine 方式逐步恢复完整分辨率的输出，强化结构和锐度。实验表明，DPRNet 在 4K HDR+ 数据集上将 PSNR 提高了 2.39 dB，在 4K HDRI Haven 数据集上提升了 3.01 dB，同时产生感知连贯、保留细节的结果。我们提供一个匿名在线演示，网址为 https://xxxxxxdprnet.github.io/DPRNet/。
引用
@article{arxiv.2412.01463,
title = {Learning Differential Pyramid Representation for Tone Mapping},
author = {Qirui Yang and Yinbo Li and Yihao Liu and Peng-Tao Jiang and Fangpu Zhang and Qihua Cheng and Huanjing Yue and Jingyu Yang},
journal= {arXiv preprint arXiv:2412.01463},
year = {2025}
}