توفر تقنية التصوير ذات النطاق الديناميكي العالي (HDR) القدرة على معالجة الإضاءة في العالم الحقيقي، على عكس التقنية التقليدية ذات النطاق الديناميكي المنخفض (LDR)، التي تواجه صعوبات في تمثيل الصور ذات النطاق الديناميكي الأعلى بدقة. ومع ذلك، لا يزال معظم المحتوى المرئي متاحًا حاليًا فقط بصيغة LDR. يقدم هذا البحث طريقة لإنشاء محتوى HDR من محتوى LDR تعتمد على الشبكات العصبية التلافيفية العميقة (CNNs) وتُعرف باسم ExpandNet. حيث تقبل ExpandNet الصور ذات النطاق الديناميكي المنخفض كمدخلات، وتُنتج صورًا ذات نطاق ديناميكي موسّع بطريقة نهائية إلى النهائية (end-to-end). وتحاول النموذج استرجاع المعلومات المفقودة التي تمت فقدانها من الإشارة الأصلية بسبب عمليات التكميم (quantization)، أو القطع (clipping)، أو تحويل التدرجات (tone mapping)، أو التصحيح الجاما (gamma correction). وتُستعاد هذه المعلومات المضافة من خلال ميزات تم تعلّمها، حيث يتم تدريب الشبكة بطريقة مراقبة باستخدام مجموعة بيانات مكوّنة من صور HDR. ويتميز هذا النهج بأنه تلقائي بالكامل ويعتمد على البيانات، ولا يتطلب أي قواعد تقريبية (heuristics) أو خبرة بشرية. كما تستخدم ExpandNet بنية متعددة المقاييس (multiscale architecture)، والتي تتجنب استخدام طبقات التكبير (upsampling) بهدف تحسين جودة الصورة. وتفوق الطريقة الأداء مقارنةً بعمليات التوسيع أو معكوس تحويل التدرجات (inverse tone mapping) من حيث الأداء الكمي على عدة مقاييس، حتى عند استخدام مدخلات مصورة بشكل سيء (poorly exposed inputs).