يمكن لمستشعرات الكاميرات فقط التقاط مدى محدود من شدة الإضاءة في آن واحد، ولإنشاء صور ذات نطاق ديناميكي عالٍ (HDR)، يُعدّ من الشائع دمج مجموعة من التعرضات المختلفة. في هذه الورقة، نتناول مشكلة توقع المعلومات التي تُفقد في المناطق المشبعة داخل الصور، بهدف تمكين إعادة بناء الصور ذات النطاق الديناميكي العالي من تعرض واحد فقط. نُظهر أن هذه المشكلة مناسبة جدًا لخوارزميات التعلم العميق، ونُقدّم شبكة عصبية تلافيفية عميقة (CNN) مصممة خصيصًا مع مراعاة التحديات المرتبطة بتوقع القيم عالية النطاق الديناميكي. لتدريب الشبكة العصبية، نجمع مجموعة بيانات كبيرة من الصور عالية النطاق الديناميكي، ونُكملها بمحاكاة تشبع المستشعر لعدد متنوع من الكاميرات. ولتعزيز المرونة أكثر، نُدرّب الشبكة مسبقًا على مجموعة بيانات محاكاة للصور عالية النطاق الديناميكي، تم إنشاؤها من جزء من قاعدة بيانات MIT Places. ونُظهر أن منهجنا قادر على إعادة بناء نتائج عالية الدقة ومقنعة بصريًا لصور HDR في طيف واسع من الحالات، وأنه يُظهر أداءً جيدًا في التعميم لاستعادة صور تم التقاطها باستخدام كاميرات مختلفة وبجودة منخفضة، والتي تستخدم دوال استجابة كاميرات غير معروفة ومعالجة ما بعد التقاط. علاوةً على ذلك، نُقارن أداءنا بالطرق الحالية لإطالة النطاق الديناميكي، ونُظهر نتائج عالية الجودة أيضًا في تطبيقات الإضاءة القائمة على الصور. وأخيرًا، نُقيّم النتائج في تجربة موضوعية أُجريت على شاشة HDR، ما يُظهر أن الصور المُعاد بناؤها ذات نطاق ديناميكي عالٍ مُقنعة بصريًا، مع تحسينات كبيرة مقارنة بالطرق الحالية.