摘要
逆色调映射（Inverse Tone Mapping）是一种从单张低动态范围（LDR）图像恢复高动态范围（HDR）图像的技术，因其可广泛适配各类相机设备而展现出极强的通用性。近年来，深度学习技术的快速发展显著提升了逆色调映射任务的性能表现。然而，仅凭单张LDR图像准确重建宽动态范围的HDR图像仍是一项极具挑战性的任务。已有研究尝试通过亮度值生成空间自适应的曝光值（Exposure Value, EV）条件，以构建伪多曝光图像堆栈（pseudo-multi-exposure stack）。然而，该方法仅以亮度信息作为输入，导致在生成EV条件时难以精确反映原始图像的完整信息，从而造成颜色表达的丢失。此外，如何将EV条件有效融入图像特征表示，仍存在诸多不确定性与技术难题。针对上述问题，本研究提出核心思想：直接利用图像特征来生成同时适应颜色与亮度变化的自适应EV条件。为此，我们设计了一种基于编码器-解码器结构的条件生成网络，并提出一种新型的多曝光堆栈生成网络，该网络能够双向融合图像特征与EV条件引导的特征。为进一步提升特征融合过程中信息的保留能力，我们还引入一种空间自适应特征变换模块（spatially-adaptive feature transformation block），以增强特征表示的鲁棒性与准确性。实验结果表明，所提方法在多曝光堆栈重建方面表现卓越，显著提升了HDR图像合成的质量。同时，在多曝光堆栈生成与基于堆栈的HDR重建任务中，本方法在多个评价指标上均达到当前最优水平，显著优于现有主流方法，展现出优异的性能与泛化能力。