基于运动与曝光线索的自监督HDR成像
计算机视觉与模式识别
2022-04-26 v1
摘要
近期的高动态范围（HDR）技术拓展了现有相机的能力，使得单一低动态范围（LDR）图像无法准确捕捉的宽光照范围场景得以被记录。这通常通过捕获若干具有不同曝光值的LDR图像，并将其信息融合为一张HDR图像来实现。尽管此类方法在静态场景中表现良好，动态场景却带来诸多挑战，主要源于难以找到可靠的像素对应关系。数据驱动方法通过学习带配对LDR-HDR训练数据的端到端映射来解决该问题，但在实践中为动态场景生成此类HDR真值标签耗时且需要复杂流程，这些流程假定对场景某些动态元素（如演员姿态）的可控性以及可重复光照条件（定格拍摄）。本工作中，我们提出一种新颖的可学习HDR估计自监督方法，缓解了对HDR真值标签的需求。我们提议利用LDR图像的内部统计信息来创建HDR伪标签。我们分别利用输入图像中的静态与良好曝光部分，结合合成光照截断与运动增强，提供高质量训练样本。实验结果表明，使用我们所提自监督方法训练的HDR模型取得了与全监督训练相媲美的性能，且在很大程度上优于同样无需任何监督的先前方法。
引用
@article{arxiv.2203.12311,
title = {Self-supervised HDR Imaging from Motion and Exposure Cues},
author = {Michal Nazarczuk and Sibi Catley-Chandar and Ales Leonardis and Eduardo Pérez-Pellitero},
journal= {arXiv preprint arXiv:2203.12311},
year = {2022}
}