摘要
在本文中，我们提出了一种新颖的深度神经网络模型，该模型可以从单张低动态范围（LDR）图像重建出高动态范围（HDR）图像。所提出的模型基于由扩张卷积层组成的卷积神经网络，从同一场景的单张LDR图像推断出具有不同曝光度和光照条件的多张LDR图像。然后，通过合并这些推断结果，可以生成最终的HDR图像。由于该方法采用了链式结构来推断给定LDR图像与更亮（或更暗）曝光的LDR图像之间的关系，因此相对容易找到LDR与不同位深的HDR之间的映射关系。该方法不仅扩展了动态范围，还具有恢复实际物理世界光信息的优势。对于通过所提方法获得的HDR图像，使用最流行的HDR图像评估指标HDR-VDP2 Q评分，在分辨率为1920×1200的显示器上得分为56.36，比传统算法提高了6分。此外，在比较由所提算法和传统算法生成的色调映射HDR图像的峰值信噪比值时，所提算法获得的平均值为30.86 dB，比传统算法高出10 dB。