Tiefes Lernen wird häufig zur Rekonstruktion von HDR-Bildern aus LDR-Bildern eingesetzt. Methoden basierend auf LDR-Stacks werden für die Rekonstruktion von HDR-Bildern aus einem einzelnen Bild verwendet, wobei ein HDR-Bild aus einem durch tiefes Lernen generierten LDR-Stack erzeugt wird. Aktuelle Methoden generieren jedoch den Stack mit vorbestimmten Belichtungswerten (EVs), was die Qualität der HDR-Rekonstruktion einschränken kann. Um dieses Problem zu lösen, schlagen wir eine kontinuierliche Darstellung von Belichtungswerten (CEVR) vor, die eine implizite Funktion verwendet, um LDR-Bilder mit beliebigen EVs zu generieren, einschließlich solcher, die während des Trainings nicht gesehen wurden. Unser Ansatz erzeugt einen kontinuierlichen Stack mit mehr Bildern, die verschiedene EVs enthalten, was die HDR-Rekonstruktion erheblich verbessert. Wir verwenden eine zyklische Trainingsstrategie, um das Modell bei der Generierung kontinuierlicher EV-LDR-Bilder ohne entsprechende Grundwahrheiten zu überwachen. Unsere CEVR-Modell übertrifft bestehende Methoden, wie experimentelle Ergebnisse zeigen.