基于无监督学习的多尺度曝光融合
计算机视觉与模式识别
2024-09-27 v1
摘要
基于无监督学习的多尺度曝光融合（ULMEF）能高效地将不同曝光的低动态范围（LDR）图像融合成更高质量的LDR图像，以呈现高动态范围（HDR）场景。与监督学习不同，损失函数在ULMEF中起着关键作用。本文为ULMEF提出了新颖的损失函数，这些函数利用所有待融合图像以及来自同一HDR场景的其他不同曝光图像来定义。与仅使用待融合图像集定义的现有损失函数相比，所提出的损失函数能引导ULMEF从HDR场景中学习更可靠的信息。因此，融合图像的质量得到了显著提升。所提出的ULMEF还采用了一种多尺度策略，包括一个多尺度注意力模块，以有效保留融合图像中的场景深度和局部对比度。同时，所提出的ULMEF可用于实现曝光插值和曝光外推。大量实验表明，所提出的ULMEF算法优于最先进的曝光融合算法。
引用
@article{arxiv.2409.17830,
title = {Unsupervised Learning Based Multi-Scale Exposure Fusion},
author = {Chaobing Zheng and Shiqian Wu and Zhenggguo Li},
journal= {arXiv preprint arXiv:2409.17830},
year = {2024}
}
备注
11 pages