Multi-Exposure Image Fusion Based on Exposure Compensation
Tokyo Metropolitan University(东京都立大学);Nagaoka University of Technology(长冈技术科学大学)
提出了一种基于曝光补偿的多曝光图像融合方法。多曝光图像融合是指利用不同曝光的照片,产生无色彩饱和区域的图像。然而,在传统作品中,如何确定适当的曝光值并不清楚,而且由于时间限制,很难在拍摄时设置适当的曝光值。在所提出的方法中,基于曝光值和像素值之间的关系来调整输入多重曝光图像的亮度,其中通过假设数字相机具有线性响应函数来获得该关系。还考虑使用局部对比度增强方法来改善输入多曝光图像。补偿后的图像最后通过一种现有的多曝光图像融合方法进行融合。在一些实验中,所提出的方法的有效性进行评估的色调映射图像质量指数,统计自然度,和离散熵,通过比较所提出的与传统的。
2018-06-23 cs.CV
Luminance Component Analysis for Exposure Correction
WMG, University of Warwick(华威大学WMG学院);School of Information Science and Technology, East China University of Science and Technology(华东理工大学信息科学与工程学院);Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford(牛津大学工程科学系生物医学工程研究所)
本文提出亮度成分分析(LCA)方法,通过在 U-Net 中施加正交约束解耦亮度相关与无关特征,并利用 Stiefel 流形上的几何优化进行求解,在曝光校正数据集上取得最佳 PSNR 和 SSIM。
2024-11-25 cs.CV eess.IV
Scaling Neural Face Synthesis to High FPS and Low Latency by Neural Caching
University of British Columbia(不列颠哥伦比亚大学)
最近的神经渲染方法大大提高了图像质量,达到了接近照片真实感的水平。然而,底层的神经网络具有高运行时间,排除了需要低延迟的高分辨率的远程呈现和虚拟现实应用。深度网络中层的顺序依赖性使得它们的优化变得困难。我们通过缓存前一帧的信息来打破这种依赖性,从而通过隐式扭曲来加速当前帧的处理。利用浅网络的扭曲减少了等待时间,并且高速缓存操作可以进一步并行化以提高帧速率。与现有的时间神经网络相比,我们的是专为任务渲染新的意见,面对条件的变化,底层表面网格。我们测试的方法依赖于视图渲染的3D肖像化身,需要远程呈现,建立基准序列。Warping将延迟降低了70 $\%$(在商用GPU上从49.4 ms降低到14.9 ms),并在多个GPU上相应地调整帧速率,同时仅将图像质量降低了1 $\%$,使其适合作为端到端视图相关3D电话会议应用的一部分。我们的项目页面可以在https://yu-frank.github.io/lowlatency/找到。
2022-11-10 cs.CV
Using Spatially Varying Pixels Exposures and Bayer-covered Photosensors for High Dynamic Range Imaging
Moscow Engineering Physics Institute(莫斯科工程物理学院)
本文提出了一种利用Bayer彩色滤光片阵列的固态光传感器实现线性高动态范围成像的方法。利用来自相邻像素的信息,可以从过饱和图像重建具有宽动态范围的线性图像。拜耳彩色滤光片阵列被认为是准单色光中的中性滤光片阵列。如果已知相机对所需光源的响应函数,则可以计算校正系数以重建过饱和图像。重建图像被线性化,以便为光学数字成像系统提供线性高动态范围图像。描述了用于获得相机对所需光源的响应函数的校准过程。从过饱和图像的图像重建的实验结果的红色,绿色和蓝色准单色光源。定量分析重建图像的精度。
2008-03-24 cs.CV
LSD$_2$ -- Joint Denoising and Deblurring of Short and Long Exposure Images with CNNs
University of Oulu(奥卢大学);Aalto University(阿尔托大学);Czech Technical University in Prague(捷克技术大学布拉格分校);Department of Computer Science(计算机科学系);Center for Machine Perception(机器感知中心);Faculty of Electrical Engineering(电气工程学院);Department of Electrical Engineering and Automation(电气工程与自动化系)
本文解决了在低光成像条件下使用手持智能手机相机获取高质量照片的问题。我们提出了一种方法的基础上捕捉对短期和长期曝光的图像在快速连续和融合成一个单一的高品质的照片。与现有的方法不同,我们同时利用这两个图像,并使用卷积神经网络进行联合去噪和去模糊。介绍了一种新的方法来产生逼真的短-长曝光图像对。该方法在极具挑战性的条件下产生良好的图像,并优于现有的去噪和去模糊方法。它还可以在存在运动模糊的情况下实现曝光融合。
2020-09-01 cs.CV
CuDi: Curve Distillation for Efficient and Controllable Exposure Adjustment
VCIP, CS, Nankai University(VCIP、计算机科学系、南开大学);S-Lab, Nanyang Technological University(S实验室、南洋理工大学)
提出曲线蒸馏方法CuDi,无需配对或未配对数据,通过高阶曲线切线逼近加速推理、减小模型,并利用自监督空间曝光控制损失实现全局或局部曝光调整,单模型同时校正欠曝和过曝图像。
2026-06-23 cs.CV
Learning Multi-Scale Photo Exposure Correction
Samsung AI Centre (SAIC)(三星人工智能中心);York University(约克大学);Heidelberg University(海德堡大学)
用错误的曝光捕捉照片仍然是基于相机的成像中错误的主要来源。曝光问题被分类为:(i)曝光过度,其中相机曝光太长,导致明亮和褪色的图像区域,或(ii)曝光不足,其中曝光太短,导致暗区域。曝光不足和曝光过度都会大大降低图像的对比度和视觉吸引力。以前的工作主要集中在曝光不足的图像或一般的图像增强。相比之下,我们所提出的方法的目标是在照片中的过度和不足的错误。我们将曝光校正问题表述为两个主要子问题:(i)颜色增强和(ii)细节增强。因此,我们提出了一个由粗到细的深度神经网络(DNN)模型,可以以端到端的方式训练,分别解决每个子问题。我们的解决方案的一个关键方面是一个新的数据集,其中包含超过24,000张图像,展示了迄今为止最广泛的曝光值范围以及相应的适当曝光图像。我们的方法达到了与现有的国家的最先进的方法对曝光不足的图像,并产生显着的改善图像遭受过度曝光的错误。
2021-03-30 cs.CV eess.IV
Automatic exposure selection and fusion for high-dynamic-range photography via smartphones
University of Texas at Dallas(德克萨斯大学达拉斯分校)
高动态范围(HDR)摄影涉及融合在不同曝光设置下拍摄的图像,以补偿数码相机(如智能手机中使用的相机)的低动态范围。本文介绍了一种基于摄像机特征函数自动选择这类图像曝光设置的方法。此外,一个新的融合方法的基础上,介绍了一个最佳配方和加权平均。这两种方法都在智能手机平台上作为HDR应用程序实现,以证明所介绍方法的实用性。与现有的几种方法的比较结果表明,以及引入的解决方案的有效性和计算效率。
2020-04-22 cs.CV eess.IV
Automatic Exposure Compensation for Multi-Exposure Image Fusion
Tokyo Metropolitan University(东京都立大学)
提出了一种基于自动曝光补偿的多曝光图像融合亮度调整方法。多曝光图像融合是指利用不同曝光的照片,产生无饱和区域的图像。在传统的工作中,已经指出,可以通过调整这些多重曝光图像的亮度来提高它们的质量。但是,如何确定调整的程度,从来没有讨论过。因此,本文提出了一种方法来自动确定的程度的基础上的亮度分布的输入多曝光图像。此外,新的权重,称为“简单的权重”,图像融合也被认为是建议的亮度调整方法。实验结果表明,该方法调整后的多曝光图像在曝光度方面比输入的多曝光图像有更好的质量。它也被证实,建议简单的权重提供了最高的分数的统计自然度和离散熵在所有的融合方法。
2018-05-29 cs.CV
Event-Enhanced Snapshot Compressive Videography at 10K FPS
Tsinghua University(清华大学);Institute for Brain and Cognitive Sciences, Tsinghua University(清华大学脑与认知科学研究院);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
针对传统视频快照压缩成像丢失帧间动态信息的问题,提出融合事件相机的强度+事件混合成像方案与双分支Transformer重建方法,实现了24 FPS低成本传感器下0.1ms间隔的高质量高速摄像。
2024-04-11 cs.CV eess.IV
3D modelling of survey scene from images enhanced with a multi-exposure fusion
City University of Hong Kong(香港城市大学)
在目前的实践中,现场测量由工人使用全站仪进行。该方法具有较高的准确度,但如果需要连续监测,则成本较高。以摄影测量为基础的技术,以相对廉价的数码相机为基础,在许多领域得到了广泛的应用。除了点测量,摄影测量还可以创建场景的三维(3D)模型。精确的三维模型重建依赖于高质量的图像。退化的图像将导致重建的3D模型中的大的误差。在本文中,我们提出了一种方法,可以用来提高图像的可见性,并最终减少三维场景模型的错误。这个想法的灵感来自图像去雾。每个原始图像首先通过伽马校正操作和自适应直方图均衡化被转换成多个曝光图像。通过计算局部二值模式来分析变换后的图像。然后,图像被增强,其中,从由局部图案特征和图像饱和度的函数加权的经变换的图像像素的集合生成的每个像素。性能评估已经在基准图像去雾数据集上进行。已经进行了室外和室内调查实验。我们的分析发现,该方法适用于室外和室内图像中存在的不同类型的退化。当输入摄影测量软件时,增强的图像可以重建具有亚毫米平均误差的3D场景模型。
2021-11-10 cs.CV
Learning Reference-Guided Exposure Correction with Hybrid Illumination Characteristics
School of Computer Science and Engineering, Sun Yat-sen University, Guangzhou, China(计算机科学与工程学院,中山大学,广州,中国)
提出HICNet,一种参考引导的曝光校正框架,通过轻量编码器提取光照嵌入,结合FiLM全局调整和光度通道重平衡实现精细曝光匹配,无需真值或内在分解即可在基准测试上取得更优精度并泛化到未见场景。
2026-05-26 cs.CV
Recurrent Exposure Generation for Low-Light Face Detection
South China University of Technology(华南理工大学);Tencent AI Lab(腾讯人工智能实验室);Peking University(北京大学);Stony Brook University(石溪大学)
由于照片有限和不可避免的噪声,低光图像中的人脸检测具有挑战性,这些噪声通常在空间上分布不均匀,这使得任务更加困难。一个自然的解决方案是借用多重曝光的想法,即在具有挑战性的条件下捕捉多个镜头以获得曝光良好的图像。然而,来自单个图像的多曝光的高质量实现/近似是不平凡的。幸运的是,如本文所示,这种高质量也不是必要的,因为我们的任务是人脸检测,而不是图像增强。具体而言,我们提出了一种新的循环曝光生成(REG)模块,并将其与多曝光检测(MED)模块无缝耦合,从而通过有效抑制非均匀照明和噪声问题,显着提高人脸检测性能。REG渐进且有效地产生对应于各种曝光设置的中间图像,并且然后通过MED融合这种伪曝光以检测不同照明条件下的面部。所提出的方法,名为REGDet,是第一个“检测与增强”的框架,用于低光人脸检测。它不仅鼓励在不同照明水平上进行丰富的交互和特征融合,而且还能够对REG组件进行有效的端到端学习,以便更好地针对人脸检测进行定制。此外,正如我们的实验中清楚地显示的那样,REG可以灵活地与不同的人脸检测器耦合,而无需额外的低/正常光图像对进行训练。我们在DARK FACE低光面部基准上测试了REGDet,并进行了彻底的消融研究,其中REGDet的性能明显优于之前的最新技术,只有微不足道的额外参数。
2020-07-21 cs.CV
Exposure: A White-Box Photo Post-Processing Framework
Microsoft Research(微软研究院);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Peking University(北京大学)
修饰可以显著提升照片的视觉吸引力,但许多休闲摄影师缺乏做好这一点的专业知识。为了解决这个问题,以前的作品已经提出了自动润饰系统的基础上监督学习从配对的训练图像之前和之后手动编辑。由于用户很难获得反映其修饰偏好的配对图像,因此本文提出了一种深度学习方法,该方法使用非配对数据进行训练,即一组呈现用户喜欢的修饰风格的照片,这更容易收集。我们的系统使用深度卷积神经网络来制定,该网络学习对输入图像应用不同的修饰操作。通过以统一的方式将这些修饰操作建模为分辨率无关的可微分滤波器,来实现关于各种类型的编辑的网络训练。为了以适当的顺序和适当的参数应用过滤器,我们采用了一种深度强化学习方法,该方法可以根据图像的当前状态来决定下一步采取什么行动。与许多深度学习系统相比,我们的系统以传统修饰编辑的形式为用户提供了一个可理解的解决方案,而不仅仅是一个“黑盒”结果。通过定量比较和用户研究,我们表明,这种技术产生的修饰结果与所提供的照片集一致。
2018-02-06 cs.CV cs.GR
Lightweight High-Speed Photography Built on Coded Exposure and Implicit Neural Representation of Videos
Tsinghua University(清华大学);Institute for Brain and Cognitive Sciences, Tsinghua University(清华大学脑与认知科学研究院);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本研究提出一种结合编码曝光成像与视频隐式神经表示的轻量级高速摄影框架,通过在成像时嵌入运动方向线索并利用新型网络分解模糊图像,有效恢复了清晰的高分辨率视频,在质量和灵活性上显著优于现有方法。
2024-08-28 cs.CV eess.IV
Fearless Luminance Adaptation: A Macro-Micro-Hierarchical Transformer for Exposure Correction
Dalian University of Technology(大连理工大学);Peng Cheng Laboratory(鹏城实验室)
针对复杂曝光误差及卷积在极端过曝、欠曝区域恢复能力不足的问题,提出融合宏微注意力与分层由粗到细校正的 Transformer,并用对比约束改善色彩和细节。
2023-12-18 cs.CV
Exposure Bracketing Is All You Need For A High-Quality Image
Harbin Institute of Technology(哈尔滨工业大学)
提出利用曝光包围摄影结合去噪、去模糊、HDR和超分辨率任务,通过TMRNet和自监督适应方法,在合成和真实数据上取得优于现有方法的高质量图像。
2025-01-24 cs.CV eess.IV
Deep Exposure Fusion with Deghosting via Homography Estimation and Attention Learning
National Taiwan University(国立台湾大学)
现代相机具有有限的动态范围,并且通常使用单次曝光产生具有饱和或暗区域的图像。虽然这个问题可以通过拍摄具有不同曝光的多个图像来解决,但是曝光融合方法需要处理由相机运动或移动物体引起的重影伪影和细节丢失。本文提出了一种用于曝光融合的深度网络。为了减少潜在的重影问题,我们的网络只拍摄两张图像,一张曝光不足的图像和一张曝光过度的图像。我们的网络集成了单应性估计来补偿相机运动,注意力机制来纠正剩余的未对准和移动像素,以及对抗性学习来减轻其他剩余的伪影。在手持手机拍摄的真实照片上的实验表明,该方法可以生成高质量的图像,在黑暗和明亮的区域具有真实的细节和生动的色彩还原。
2020-04-20 cs.CV eess.IV
An Image Fusion Scheme for Single-Shot High Dynamic Range Imaging with Spatially Varying Exposures
Tokyo Metropolitan University(东京都立大学)
针对单次高动态范围空间变曝光成像,提出了一种新的多曝光图像融合方法。SVE单次激发成像不仅可以从单次激发图像中产生没有颜色饱和度区域的图像,而且可以避免产生的图像中的重影伪影。然而,曝光次数通常限于两次,而且难以在拍摄之前决定最佳曝光值。该方案首先对输入的多曝光图像进行场景分割,然后根据场景个数和曝光值与像素值的关系调整输入图像的亮度。所提出的方法与亮度调整,使我们能够改善上述两个问题。在本文中,我们专注于双ISO成像作为一个单次拍摄成像。在实验中,该方案被证明是有效的单次拍摄高动态范围成像与SVE,与传统的MEF计划与曝光补偿相比。
2019-08-22 cs.CV eess.IV
LEDiff: Latent Exposure Diffusion for HDR Generation
MPI Informatik(马克斯·普朗克信息学研究所);Adobe(奥多比公司)
本文提出 LEDiff,通过受曝光融合启发的潜在空间融合,让预训练扩散模型利用小型 HDR 数据集恢复裁切高光与阴影细节,实现可泛化的 HDR 生成及任意 LDR 图像到 HDR 的高质量转换。
2025-01-06 cs.CV eess.IV
Per-pixel Classification Rebar Exposures in Bridge Eye-inspection
Yachiyo Engineering, Co., Ltd.(八千代工程有限公司)
对建成50年以上的民用基础设施,需要进行有效的检测和准确的诊断。特别是在市政当局,技术人员短缺和维修费用的预算限制已成为一个严重问题。如果我们能够从检查记录的记录中自动地逐像素地检测损坏的照片,除了眼睛检查视觉的5步判断和对策分类之外,那么可以更灵活地提供对策信息,我们是否需要修复以及损坏兴趣的暴露程度有多大。一张损伤照片,只要不围绕损伤放大,往往是稀疏的,恰好是探测目标被拍摄到的范围,最多只有1%。一般来说,钢筋外露是经常发生的,有很多机会判断修复措施。本文提出了三种基于迁移学习的损伤检测方法,利用人眼检测的损伤照片,对低像素图像进行语义分割。此外,我们尝试从头开始创建一个深度卷积网络,并进行预处理,生成带有旋转的随机作物。事实上,我们显示的结果应用这种方法使用208钢筋暴露的图像上的106个现实世界的桥梁。最后,对损伤检测建模的未来研究方向进行了展望。
2020-04-22 cs.CV cs.LG eess.IV
Dual Illumination Estimation for Robust Exposure Correction
Sun Yat-sen University(中山大学);South China University of Technology(华南理工大学)
曝光校正是图像处理和计算摄影的基本任务之一。虽然已经提出了各种方法,但是它们或者不能产生视觉上令人愉悦的结果,或者仅对有限类型的图像(例如,曝光不足的图像)。在本文中,我们提出了一种新的自动曝光校正方法,该方法能够为各种曝光条件(例如,曝光不足、曝光过度以及部分曝光不足和过度)。在我们的方法的核心是建议的双重照明估计,其中我们分别投下和过度曝光校正为平凡的输入图像和反转的输入图像的照明估计。通过执行双重照明估计,我们得到两个中间曝光校正结果的输入图像,与一个固定的曝光不足的区域和另一个恢复曝光过度的区域。然后采用多曝光图像融合技术将两个中间曝光校正图像和输入图像中的视觉上最佳曝光的部分自适应地混合成全局曝光良好的图像。在一些具有挑战性的图像上的实验证明了所提出的方法的有效性及其优于最先进的方法和流行的自动曝光校正工具。
2019-10-30 cs.CV cs.GR
FlexHDR: Modelling Alignment and Exposure Uncertainties for Flexible HDR Imaging
Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Queen Mary University of London(伦敦玛丽女王大学)
本文提出FlexHDR技术,通过HDR感知的不确定性驱动注意力图联合评估对齐与曝光可靠性,并采用渐进式多阶段融合方法灵活合并任意数量LDR图像,显著提升了HDR成像质量。
2022-09-12 cs.CV eess.IV
D2HNet: Joint Denoising and Deblurring with Hierarchical Network for Robust Night Image Restoration
City University of Hong Kong(香港城市大学);SenseTime Research(商汤科技研究院);Shanghai Jiao Tong University(上海交通大学)
由于成像系统中的低光子计数和不可避免的噪声,使用现代智能手机相机进行夜间成像是很麻烦的。直接调整曝光时间和ISO等级无法在弱光条件下同时获得清晰和无噪声的图像。尽管已经提出了许多方法来增强噪声或模糊的夜间图像,但是由于两个主要原因,它们在真实世界的夜间照片上的性能仍然不令人满意:1)单个图像中的有限信息和2)合成训练图像和真实世界照片之间的域间隙(例如,模糊区域和分辨率的差异)。为了利用连续的长曝光和短曝光图像的信息,我们提出了一个基于学习的管道来融合它们。开发了D2 HNet框架,通过在短曝光图像的指导下对长曝光图像进行去模糊和增强来恢复高质量的图像。为了缩小域间隙,我们利用了两阶段的DeburNet-EnhanceNet架构,该架构在固定的低分辨率上执行精确的模糊去除,以便能够处理不同分辨率输入中的大范围模糊。此外,我们从高清视频中合成了一个D2数据集,并在其上进行了实验。验证集和真实照片上的结果表明,我们的方法实现了更好的视觉质量和最先进的定量分数。D2 HNet代码和D2-Dataset可在https://github.com/zhaoyuzhi/D2HNet上找到。
2022-07-14 cs.CV eess.IV
ADOP: Approximate Differentiable One-Pixel Point Rendering
Friedrich-Alexander-Universität Erlangen-Nürnberg(弗里德里希-亚历山大-埃尔兰根-纽伦堡大学)
在本文中,我们提出了ADOP,一种新的基于点的,可区分的神经渲染管道。像其他神经渲染器一样,我们的系统将校准的相机图像和场景的代理几何形状(在我们的情况下是点云)作为输入。为了生成一个新的视图,点云是用学习的特征向量作为颜色光栅化的,一个深度神经网络填充剩余的洞,并对每个输出像素进行着色。光栅化器将点渲染为一个像素的splats,这使得它非常快,并允许我们有效地计算所有相关输入参数的梯度。此外,我们的管道包含一个完全可区分的基于物理的光度相机模型,包括曝光,白平衡和相机响应函数。遵循逆渲染的思想,我们使用渲染器来优化其输入,以减少不一致性并优化其输出质量。特别是,我们可以优化结构参数,如相机姿态,镜头失真,点位置和特征,以及神经环境图,还有光度参数,如相机响应函数,渐晕,逐图像曝光和白平衡。因为我们的管道包括光度参数,例如~系统具备高曝光和相机响应功能,可以平滑处理不同曝光和白平衡的输入图像,并生成高动态范围输出。我们表明,由于改进的输入,我们可以实现高渲染质量,也为困难的输入,例如,不完美的相机校准,不准确的代理几何,或不同的曝光。因此,更简单且因此更快速的深度神经网络足以用于重建。结合快速点光栅化,ADOP实现了实时渲染率,即使模型超过1亿点。https://github.com/darglein/ADOP
2022-05-03 cs.CV cs.GR
FCNet: A Convolutional Neural Network for Arbitrary-Length Exposure Estimation
Nankai University(南开大学);Beihang University(北京航空航天大学);vivo Mobile Communication Co. Ltd.(维沃移动通信有限公司);Guangdong University of Petrochemical Technology(广东石油化工学院)
本文提出融合校正网络FCNet,通过拉普拉斯金字塔分解实现交替的曝光融合与校正,有效解决了单曝光校正和多曝光融合任务中任意长度曝光不当图像序列的估计问题。
2023-09-07 cs.CV eess.IV
LENVIZ: A High-Resolution Low-Exposure Night Vision Benchmark Dataset
Lenovo Research(联想研究);Lehigh University(莱文斯顿大学);Motorola Mobility(摩托罗拉移动)
LENVIZ数据集为低光照图像增强提供高分辨率、多曝光的基准,包含24,000个真实场景,由专家摄影师精心制作,用于评估和改进相关技术。
2025-12-09 cs.AI cs.CV
MobileMEF: Fast and Efficient Method for Multi-Exposure Fusion
Motorola Mobility Comércio de Produtos Eletrônicos Ltda(摩托罗拉移动电子产品商业有限公司);Lenovo Research(联想研究院)
本文提出MobileMEF,一种基于高效编码器-解码器架构的多曝光融合方法,可在中端手机上2秒内处理4K图像,并在质量与计算效率上优于现有技术。
2024-10-01 cs.CV cs.LG eess.IV
Compressive Coded Aperture Keyed Exposure Imaging with Optical Flow Reconstruction
The University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Duke University(杜克大学);University of California, Merced(加利福尼亚大学默塞德分校)
本文介绍了一种编码孔径和键控曝光的压缩视频测量方法,它允许一个小的物理平台,高光子效率,高时间分辨率,快速重建算法。所提出的投影满足限制等距属性(RIP),因此压缩感知理论为视频重建质量提供了理论保证。此外,可以使用诸如空间光调制器(SLM)的现有光学元件来容易地实现投影。我们将这些编码掩码设计扩展到新的双尺度掩码(DSM),它可以以微不足道的计算成本恢复场景的粗分辨率估计。我们开发了快速的数值算法,利用时间相关性和光流的视频序列,以及创新的结构的投影。我们的数值实验表明,所提出的方法的短波红外数据的有效性。
2013-06-26 cs.CV cs.IT math.IT
Single-Image HDR Reconstruction by Multi-Exposure Generation
VinAI Research(VinAI研究院);University of California San Diego(加州大学圣地亚哥分校)
高动态范围(HDR)成像是现代摄影中不可或缺的技术。传统方法侧重于从多幅图像进行HDR重建,解决了图像对齐、融合和色调映射等核心问题,但由于重建中的重影和其他视觉伪影,也有一个完美的解决方案。最近在单图像HDR重建方面的尝试显示了一种有希望的替代方案:通过学习使用神经网络将像素值映射到其辐照度,可以完全绕过合并和合并管道,但仍然获得高质量的HDR图像。在这项工作中,我们提出了一种弱监督学习方法,通过学习从单个图像生成多个曝光来反转HDR重建的物理图像形成过程。我们的神经网络可以反转相机响应,以重建像素辐照度,然后合成多次曝光,并从单个输入图像中产生曝光不足和过度曝光区域的细节。为了训练网络,我们提出了一个表示损失,重建损失,和感知损失的曝光不足和过度的图像对,因此不需要HDR图像进行训练。实验结果表明,该模型能够有效地重建HDR图像.我们的定性和定量结果表明,我们的方法在DrTMO数据集上达到了最先进的性能。我们的代码可在https://github.com/VinAIResearch/single_image_hdr上获得。
2022-10-28 cs.CV cs.GR eess.IV