Kamerasensoren können nur einen begrenzten Helligkeitsbereich gleichzeitig erfassen, und um Bilder mit hohem Dynamikumfang (HDR) zu erstellen, werden typischerweise mehrere Aufnahmen mit unterschiedlichen Belichtungszeiten kombiniert. In diesem Artikel behandeln wir das Problem der Vorhersage von Informationen, die in überbelichteten Bildbereichen verloren gegangen sind, um eine HDR-Rekonstruktion aus einer einzigen Belichtung zu ermöglichen. Wir zeigen, dass dieses Problem besonders gut für Deep-Learning-Algorithmen geeignet ist, und stellen ein tiefes konvolutionales neuronales Netzwerk (CNN) vor, das speziell unter Berücksichtigung der Herausforderungen bei der Vorhersage von HDR-Werten entworfen wurde. Zur Trainingsdatenbeschaffung sammeln wir eine große Datenmenge an HDR-Bildern, die wir durch Simulation von Sensorensättigung für eine Vielzahl von Kameras erweitern. Um die Robustheit weiter zu steigern, prätrainieren wir das CNN auf einem simulierten HDR-Datensatz, der aus einer Teilmenge der MIT Places-Datenbank generiert wurde. Wir zeigen, dass unsere Methode hochauflösende, visuell überzeugende HDR-Ergebnisse in einer Vielzahl von Situationen erzeugen kann und gut auf die Rekonstruktion von Bildern aus beliebigen und günstigen Kameras mit unbekannten Kamerantwortfunktionen und nachgeschalteten Verarbeitungsschritten generalisiert. Zudem vergleichen wir unsere Methode mit bestehenden Ansätzen zur HDR-Erweiterung und zeigen auch für Anwendungen im Bereich der bildbasierten Beleuchtung hochwertige Ergebnisse. Schließlich bewerten wir die Ergebnisse in einer subjektiven Experimentation auf einem HDR-Display. Dies zeigt, dass die rekonstruierten HDR-Bilder visuell überzeugend sind und im Vergleich zu bestehenden Methoden erhebliche Verbesserungen erzielen.