إعادة بناء الصور عالية الديناميكية من صورة واحدة باستخدام شبكة عصبية اصطناعية مع خصائص مخفية وخسارة إدراكية

الكاميرات الرقمية قادرة فقط على التقاط نطاق محدود من إشراق المشاهد الحقيقية، مما يؤدي إلى إنتاج صور ذات بيكسلات مشبعة. تسعى الطرق الحالية لإعادة بناء الصور عالية الديناميكية (HDR) من صورة واحدة إلى توسيع نطاق الإشراق، ولكنها غير قادرة على تخيل نسيج معقول، مما ينتج عنه نتائج تحتوي على تشوهات في المناطق المشبعة. في هذا البحث، نقدم نهجًا جديدًا يستند إلى التعلم لإعادة بناء صورة HDR من خلال استعادة البيكسلات المشبعة لصورة LDR المدخلة بطريقة جذابة بصريًا. تطبق الطرق السابقة التي تعتمد على التعلم العميق نفس مرشحات التجعيد على البيكسلات الجيدة الإضاءة والمشبعة، مما يخلق غموضًا أثناء التدريب ويؤدي إلى تشوهات مثل النمط الشبيه باللوحة والهالة. لحل هذه المشكلة، نقترح آلية تعتيم الميزات التي تقلل من مساهمة الميزات القادمة من المناطق المشبعة. بالإضافة إلى ذلك، نكيف دالة الخسارة البصرية المستندة إلى VGG لتطبيقاتنا حتى نتمكن من تركيب نسيج جذاب بصريًا. بما أن عدد الصور HDR المتاحة للتدريب محدود، فقد اقترحت طريقة تدريب نظامنا في مرحلتين. تحديدًا، نقوم أولاً بتدريب نظامنا على عدد كبير من الصور لمهمة ملء الفراغات في الصور ثم ضبطه بشكل دقيق لإعادة بناء HDR. بما أن معظم أمثلة HDR تحتوي على مناطق سلسة بسيطة لإعادة بنائها، فقد اقترحنا استراتيجية اختيار لاختيار الأجزاء التدريبية الأكثر تحديًا خلال مرحلة ضبط HDR الدقيق. نوضح عبر النتائج التجريبية أن نهجنا يمكنه إعادة بناء نتائج HDR جذابة بصريًا أفضل من الحالة الحالية للأبحاث في مجموعة واسعة من المشاهد.