Die Erzeugung von High-Dynamic-Range-(HDR)-Bildern aus einem einzigen Low-Dynamic-Range-(LDR)-Bild wurde durch die jüngsten Fortschritte im Bereich des Deep Learning möglich. Verschiedene feedforward Convolutional Neural Networks (CNNs) wurden vorgeschlagen, um LDR-HDR-Darstellungen zu lernen. Um die Leistungsfähigkeit von CNNs besser zu nutzen, greifen wir auf das Konzept der Rückkopplung zurück, bei dem die anfänglichen niedrigstufigen Merkmale durch hochstufige Merkmale mittels eines verborgenen Zustands eines Recurrent Neural Networks (RNN) geleitet werden. Im Gegensatz zum einfachen Vorwärtsdurchgang in einem konventionellen feedforward Netzwerk wird die Rekonstruktion von LDR zu HDR in einem Rückkopplungsnetzwerk über mehrere Iterationen gelernt. Dies ermöglicht es uns, eine Darstellung von grob zu fein zu erstellen, was zu einer verbesserten Rekonstruktion bei jeder Iteration führt. Zu den verschiedenen Vorteilen gegenüber standardmäßigen feedforward Netzwerken gehören die Fähigkeit zur frühen Rekonstruktion und eine bessere Rekonstruktionsqualität mit weniger Netzwerkparametern. Wir entwerfen einen dichten Feedbackblock und schlagen ein end-to-end Feedbacknetzwerk – FHDR – für die Erzeugung von HDR-Bildern aus einem einzigen LDR-Bild vor. Qualitative und quantitative Bewertungen zeigen die Überlegenheit unseres Ansatzes gegenüber den aktuellen Stand der Technik Methoden.