HDRUNet：具有降噪和去量化功能的单图像HDR重建

大多数消费级数字相机由于传感器限制，只能捕捉现实场景中有限的亮度范围。此外，成像过程中通常会引入噪声和量化误差。为了获得具有优良视觉质量的高动态范围（HDR）图像，最常见的解决方案是将多张不同曝光度的图像进行合成。然而，获取同一场景的多张图像并不总是可行的，而大多数HDR重建方法也忽略了噪声和量化损失。在本研究中，我们提出了一种基于学习的新方法，使用空间动态编码器-解码器网络HDRUNet来学习从单个图像进行HDR重建并同时去噪和去量化的端到端映射。该网络由一个UNet风格的基础网络组成，以充分利用层次化的多尺度信息；一个条件网络用于执行特定模式的调制；以及一个加权网络用于选择性地保留信息。此外，我们提出了一种Tanh_L1损失函数来平衡过曝值和正常曝光值对网络学习的影响。我们的方法在定量比较和视觉质量方面均达到了当前最佳水平。所提出的HDRUNet模型在NITRE2021高动态范围挑战赛的单帧赛道中获得了第二名。