Deep Chain HDRI: Rekonstruktion eines Hochdynamicbereichsbildes aus einem einzigen Niedrigdynamicbereichsbild

In dieser Arbeit schlagen wir ein neues tiefes neuronales Netzwerkmodell vor, das ein Bild mit hohem Dynamikumfang (HDR) aus einem einzelnen Bild mit niedrigem Dynamikumfang (LDR) rekonstruiert. Das vorgeschlagene Modell basiert auf einem Faltungsneuronales Netzwerk, das aus verdünnten Faltungsschichten besteht, und leitet LDR-Bilder mit verschiedenen Belichtungen und Beleuchtungen aus einem einzelnen LDR-Bild der gleichen Szene ab. Anschließend kann das endgültige HDR-Bild durch die Zusammenführung dieser Inferenzergebnisse gebildet werden. Aufgrund der verketteten Struktur, die die Beziehung zwischen den LDR-Bildern mit helleren (oder dunkleren) Belichtungen aus dem gegebenen LDR-Bild ableitet, ist es für die vorgeschlagene Methode relativ einfach, die Zuordnung zwischen LDR und HDR mit unterschiedlicher Bit-Tiefe zu finden. Die Methode erweitert nicht nur den Umfang, sondern hat auch den Vorteil, die Lichtinformationen der realen physischen Welt wiederherzustellen. Für die HDR-Bilder, die durch die vorgeschlagene Methode erhalten wurden, betrug der HDR-VDP2-Q-Wert, der bekannteste Bewertungsmaßstab für HDR-Bilder, 56,36 bei einer Anzeige mit einer Auflösung von 1920×1200 Pixeln. Dies stellt eine Verbesserung um 6 gegenüber den Werten herkömmlicher Algorithmen dar. Zudem ergab sich beim Vergleich der Spitzen-Signal-Rausch-Verhältniswerte (Peak Signal-to-Noise Ratio, PSNR) für tonabgebildete HDR-Bilder, die durch den vorgeschlagenen und herkömmlichen Algorithmen generiert wurden, ein durchschnittlicher Wert von 30,86 dB durch den vorgeschlagenen Algorithmus. Dies ist um 10 dB höher als die Werte, die durch herkömmliche Algorithmen erzielt wurden.