استعادة صورة ذات نطاق ديناميكي عالٍ (HDR) من صورة مدخلة واحدة ذات نطاق ديناميكي منخفض (LDR) هي مهمة صعبة بسبب فقدان التفاصيل في المناطق المظلمة أو المشرقة بشكل مفرط نتيجة كمّ الشواحن الكاميرية والتشبُّع. على عكس الأساليب القائمة على التعلم الحالية، فإن الفكرة الأساسية لدينا هي دمج المعرفة النموذجية لخط إنتاج الصورة LDR في نموذجنا. نقوم بتمثيل خط إنتاج الصورة من HDR إلى LDR كـ (1) قص النطاق الديناميكي، (2) الخرائط غير الخطية من وظيفة استجابة الكاميرا، و(3) كمّ. ثم نقترح تعلم ثلاثة شبكات عصبية اصطناعية متخصصة لإعادة هذه الخطوات. عن طريق تجزئة المشكلة إلى مهام فرعية محددة، نفرض قيودًا فيزيائية فعالة تسهل تدريب كل شبكة فرعية على حدة. أخيرًا، نقوم بضبط النموذج بأكمله بشكل مشترك ومنتهي لتخفيض تراكم الأخطاء. من خلال التجارب الكمية والنوعية الواسعة على مجموعات بيانات صور متنوعة، نثبت أن الطريقة المقترحة تؤدي بشكل أفضل مقابل خوارزميات إعادة بناء الصور HDR الأحادية الأكثر تقدمًا حاليًا.