单幅图像HDR重建问题，也被称为逆色调映射。已经在过去的几十年中进行了广泛的研究。然而，这个问题仍然是一个主要的挑战，因为它需要从缺少内容的区域恢复细节。
可以将现有技术分为非学习和学习方法两类。
非学习方法通常是简单地通过使用试探法来推断光强度，依赖启发式策略和用户输入，效果并不理想，这里就不详细阐述了。
学习方法
- 一些方法
给定单个输入LDR图像，使用自动编码器生成一组不同曝光的LDR图像。这些图像然后被组合以重建最终的HDR图像。
将一系列卷积神经网络联结起来，依次生成相等的LDR图像。
通过递归条件生成对抗网络(GAN)结合像素级L1损失来处理。
- 一些方法
不构造相同的图像直接重构HDR图像
使用具有U-Net架构的网络来预测饱和区域的值，而线性非饱和区域是从输入中获得的。
Marnerides等人[2018]提出了一种新颖的端到端映像扩展专用架构
杨等[2018]重建图像用于图像校正。他们训练一个网络进行HDR重建，从输入的LDR图像中恢复丢失的细节，然后第二个网络将这些细节传输回LDR域。
他们的合成图像往往包含光晕和棋盘伪影，在饱和区域缺乏纹理。这主要是因为使用了标准卷积层和像素级损失函数
- 一些方法
徐等人[2019]使用对抗性损失函数代替像素损失函数，但是它们仍然不能展示具有高质量纹理的结果。这可能是因为HDR重建的问题在某种意义上受到限制，即合成内容应该使用软掩模 来适当地适合输入图像。不幸的是，众所周知，GANs很难处理这些情况
标签：HDR,像素,LDR,图像,单幅,输入,重建 来源： https://blog.csdn.net/Fairy_v/article/details/115383622
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。