Digitalkameras können nur einen begrenzten Helligkeitsbereich von realen Szenen erfassen, was zu Bildern mit gesättigten Pixeln führt. Bestehende Methoden zur Rekonstruktion von Hochdynamic-Bildern (HDR) versuchen, den Helligkeitsbereich zu erweitern, sind jedoch nicht in der Lage, plausible Texturen zu generieren und produzieren Artefakte in den gesättigten Bereichen. In dieser Arbeit präsentieren wir einen neuen lernbasierten Ansatz zur Rekonstruktion eines HDR-Bildes durch Wiederherstellung der gesättigten Pixel eines Eingabebildes mit geringer Dynamik (LDR) auf eine visuell ansprechende Weise. Vorherige tiefen Lernalgorithmen basierende Methoden wenden die gleichen FaltungsfILTER sowohl auf gut belichtete als auch auf gesättigte Pixel an, was während des Trainings zu Unsicherheiten führt und zu Kachel- und Halo-Artefakten resultiert. Um dieses Problem zu überwinden, schlagen wir ein Feature-Masking-Verfahren vor, das den Einfluss der Merkmale aus den gesättigten Bereichen reduziert. Darüber hinaus passen wir die VGG-basierte perzeptive Verlustfunktion für unsere Anwendung an, um visuell ansprechende Texturen synthetisieren zu können. Da die Anzahl der für das Training verfügbaren HDR-Bilder begrenzt ist, schlagen wir vor, unser System in zwei Phasen zu trainieren. Genauer gesagt trainieren wir unser System zunächst anhand einer großen Anzahl von Bildern für die Aufgabe der Bildinpainting und feinjustieren es anschließend für die HDR-Rekonstruktion. Da die meisten HDR-Beispiele glatte Regionen enthalten, die einfach zu rekonstruieren sind, schlagen wir eine Sampling-Strategie vor, um während der HDR-Fine-Tuning-Phase herausfordernde Trainingspatches auszuwählen. Wir zeigen durch experimentelle Ergebnisse, dass unser Ansatz visuell ansprechende HDR-Ergebnisse rekonstruieren kann und sich dabei über einen breiten Bereich von Szenen gegenüber dem aktuellen Stand der Technik verbessert hat.请注意，这里的“法语”应该是笔误，因为您要求的是德语翻译。上述翻译已经按照您的要求进行了德语翻译。如果有任何其他问题或需要进一步修改的地方，请随时告知。