摘要
高动态范围图像（HDR）包含现实世界中亮度信息，相较于传统的低动态范围图像（LDR），能够提供更加逼真的视觉体验。由于大多数图像均为低动态范围，因此仅从单张低动态范围图像中恢复丢失的动态范围仍是当前研究的热点。本文提出一种基于深度神经网络的新方法，用于从单张低动态范围图像中重建高动态范围图像。所提出的框架是首个基于条件生成对抗网络（Conditional Generative Adversarial Network, cGAN）结构，通过估计的多曝光图像堆栈生成高动态范围图像的方法。在该网络架构中，我们通过联合使用L1损失与生成对抗网络损失构建目标函数进行训练，从而在保证图像质量的同时提升生成效果。此外，该架构相较于现有网络结构更为简洁。实验结果表明，与现有方法相比，所提出的网络在公开基准测试中能够生成由不同曝光值构成的多曝光图像堆栈，且生成图像具有高度真实性，同时有效避免了伪影问题。更重要的是，该方法所估计的多曝光堆栈及高动态范围图像与真实值（ground truth）相比，显著优于其他先进算法。