In diesem Artikel stellen wir ein neuartiges tiefes neuronales Netzwerk vor, das ein Bild mit hohem Dynamikumfang (HDR) aus einem einzigen Bild mit niedrigem Dynamikumfang (LDR) rekonstruiert. Das vorgeschlagene Modell basiert auf einem konvolutionellen neuronalen Netzwerk, das aus dilatierten Konvolutionsschichten besteht, und leitet aus einem einzigen LDR-Bild derselben Szene LDR-Bilder mit unterschiedlichen Belichtungszeiten und Beleuchtungsbedingungen ab. Anschließend kann das endgültige HDR-Bild durch die Fusion dieser inferierten Ergebnisse erzeugt werden. Aufgrund der Kettenstruktur, die die Beziehung zwischen LDR-Bildern mit helleren (bzw. dunkleren) Belichtungen aus einem gegebenen LDR-Bild herleitet, ist es dem vorgeschlagenen Verfahren vergleichsweise einfach, die Abbildung zwischen LDR und HDR mit unterschiedlicher Bit-Tiefe zu ermitteln. Die Methode erweitert nicht nur den Dynamikumfang, sondern besitzt zudem den Vorteil, die Lichtinformationen der realen physischen Welt wiederherzustellen. Für die von der vorgeschlagenen Methode erzeugten HDR-Bilder erreichte der HDR-VDP2-Q-Wert – der am häufigsten verwendete Bewertungsmaßstab für HDR-Bilder – bei einem Display mit einer Auflösung von 1920 × 1200 einen Wert von 56,36, was einer Verbesserung um 6 im Vergleich zu den Werten konventioneller Algorithmen entspricht. Zudem ergab der Vergleich der Spitzensignal-Rausch-Verhältnisse (PSNR) für tonumgewandelte HDR-Bilder, die von der vorgeschlagenen und konventionellen Algorithmen generiert wurden, einen durchschnittlichen Wert von 30,86 dB für den vorgeschlagenen Algorithmus – das sind 10 dB mehr als bei den konventionellen Verfahren.