Die Hochdynamic-Range-(HDR-)Bildverarbeitung ermöglicht die adäquate Handhabung von realen Lichtverhältnissen im Gegensatz zur traditionellen geringen Dynamic-Range-(LDR-)Bildverarbeitung, die Schwierigkeiten hat, Bilder mit hohem Dynamikbereich präzise darzustellen. Dennoch ist der Großteil der vorhandenen Bildinhalte weiterhin nur in LDR verfügbar. In diesem Artikel wird eine Methode vorgestellt, die es erlaubt, HDR-Inhalte aus LDR-Inhalten mittels tiefer Faltungsneuraler Netze (Convolutional Neural Networks, CNNs), die als ExpandNet bezeichnet werden, zu generieren. ExpandNet akzeptiert LDR-Bilder als Eingabe und erzeugt Bilder mit erweitertem Dynamikbereich in einer end-to-end-Architektur. Das Modell versucht, verlorene Informationen aus dem ursprünglichen Signal wiederherzustellen, die durch Quantisierung, Ausschneidung (Clipping), Tonumwandlung (tone mapping) oder Gamma-Korrektur verloren gegangen sind. Die hinzugefügten Informationen werden aus gelernten Merkmalen rekonstruiert, da das Netzwerk auf überwachtem Lernverfahren mit einem Datensatz von HDR-Bildern trainiert wurde. Der Ansatz ist vollständig automatisiert und datengestützt; er erfordert weder heuristische Regeln noch menschliches Fachwissen. ExpandNet nutzt eine mehrskalige Architektur, die auf Upsampling-Schichten verzichtet, um die Bildqualität zu verbessern. Die Methode erzielt gegenüber herkömmlichen Erweiterungs-/Inverse-Tonumwandlungsoperatoren hervorragende Ergebnisse in quantitativen Bewertungen an mehreren Metriken – selbst bei schlecht belichteten Eingabebildern.