Das Lernen einer praktischen SDR-nach-HDRTV-Aufwandvergrößerung unter Verwendung neuer Datensätze und Verschlechterungsmodelle

Im Medienbereich entsteht der Bedarf an einer SDR-zu-HDRTV-Aufwertung, wenn Nutzer über HDR-WCG (High Dynamic Range-Wide Color Gamut)-Fernseher verfügen, während die meisten kommerziell erhältlichen Videos noch im SDR-Format (Standard Dynamic Range) vorliegen. Die Forschergemeinschaft hat begonnen, diese Aufgabe des niedrigstufigen Sehens durch lernbasierte Ansätze anzugehen. Bei der Anwendung auf echte SDR-Videos neigen jedoch aktuelle Methoden dazu, dämmrige und farblose Ergebnisse zu erzeugen, was kaum eine Verbesserung des Betrachtungserlebnisses bringt.Im Gegensatz zu anderen netzorientierten Methoden führen wir diesen Mangel auf das Trainingsdatensatz-Paar (HDR-SDR) zurück. Folglich schlagen wir einen neuen HDRTV-Datensatz vor (benannt HDRTV4K) sowie neue HDR-zu-SDR-Degradationsmodelle. Dieser Datensatz wird dann verwendet, um ein Helligkeitssegmentierungsnetzwerk (LSN) zu trainieren, das aus einem globalen Abbildungsstamm und zwei Transformer-Zweigen für den hellen und dunklen Helligkeitsbereich besteht. Wir aktualisieren auch die Bewertungskriterien durch angepasste Metriken und subjektive Experimente. Schließlich werden Reduktionsstudien durchgeführt, um die Effektivität unserer Methode zu beweisen. Unsere Arbeit ist unter folgendem Link verfügbar: https://github.com/AndreGuo/HDRTVDM.