基于单次曝光使用深度CNNs进行HDR图像重建

相机传感器只能同时捕捉有限的亮度范围，为了生成高动态范围（HDR）图像，通常需要结合一系列不同曝光度的照片。本文旨在解决预测饱和图像区域中丢失信息的问题，以实现从单次曝光中进行HDR重建。我们展示了该问题非常适合深度学习算法，并提出了一种专门设计的深度卷积神经网络（CNN），该网络考虑了预测HDR值时所面临的挑战。为了训练CNN，我们收集了一个大型的HDR图像数据集，并通过模拟多种相机的传感器过曝情况来扩充这个数据集。为进一步提高鲁棒性，我们在从MIT Places数据库的一个子集中创建的模拟HDR数据集上对CNN进行了预训练。我们证明了我们的方法能够在各种情况下重建出高分辨率且视觉效果令人信服的HDR结果，并且对于使用未知相机响应函数和后期处理的任意低端相机拍摄的图像也具有良好的泛化能力。此外，我们将该方法与现有的HDR扩展方法进行了比较，显示了在基于图像的照明方面也能获得高质量的结果。最后，我们在一个主观实验中使用HDR显示器评估了这些结果，实验表明，重建的HDR图像在视觉效果上令人信服，并且相比现有方法有显著改进。