HyperAIHyperAI
vor 17 Tagen

Deep Conditional HDRI: Inverse Tone Mapping mittels Dual Encoder-Decoder-Conditioning-Methode

{YoonChan Nam; JoonKyu Kim; Jae-hun Shim; Suk-Ju Kang}
Abstract

Inverse Tone Mapping, eine Technik zur Wiederherstellung eines High Dynamic Range (HDR)-Bildes aus einem einzigen Low Dynamic Range (LDR)-Bild, zeichnet sich durch hohe Vielseitigkeit aus, da sie problemlos auf beliebige Kamerageräte angewendet werden kann. Zudem hat die jüngste Entwicklung im Bereich des Deep Learning erhebliche Leistungssteigerungen im Bereich des inverse Tone Mapping erzielt. Dennoch bleibt die präzise Wiederherstellung eines HDR-Bildes mit großem Dynamikbereich aus einem einzigen LDR-Bild eine herausfordernde Aufgabe. Eine kürzlich vorgestellte Studie versucht, eine räumlich adaptive Belichtungszeit (Exposure Value, EV)-Bedingung aus Helligkeitswerten zu generieren, um einen Pseudomulti-Exposure-Stack zu erzeugen. Durch die alleinige Verwendung von Helligkeitswerten als Eingabe kann die Bedingungsmodellierung jedoch die Eingabebildinformationen nicht präzise widerspiegeln, was zu einem Verlust der Farbausdruckkraft führt. Darüber hinaus bestehen Unsicherheiten hinsichtlich der geeigneten Anwendung der EV-Bedingung auf die Bilddatenmerkmale. Daher liegt der zentrale Ansatz dieser Studie darin, Bilddatenmerkmale direkt zur Generierung von EV-Bedingungen zu nutzen, die sowohl auf Farbe als auch auf Helligkeit adaptiv reagieren. Dazu entwerfen wir ein Bedingungs-Generierungsnetzwerk mit einer Encoder-Decoder-Architektur und stellen ein neuartiges Netzwerk zur Generierung von Multi-Exposure-Stacks vor, das rückwärtsgerichtet die Bilddatenmerkmale und die EV-bedingten Merkmale synthetisiert. Zudem schlagen wir einen räumlich adaptiven Merkmalstransformationsblock vor, um die Merkmalsinformationen bei der Synthese besser zu erhalten. Unsere vorgeschlagene Methode erzielt herausragende Ergebnisse bei der Wiederherstellung von Multi-Exposure-Stacks für die HDR-Bildsynthese. Darüber hinaus erreicht unsere Methode im Vergleich zu bestehenden Ansätzen state-of-the-art-Leistung sowohl bei der Generierung von Multi-Exposure-Stacks als auch bei der auf Stacks basierenden HDR-Wiederherstellung.