Die Schätzung eines High Dynamic Range (HDR)-Bildes aus einem einzigen Low Dynamic Range (LDR)-Eingabebild ist ein schlecht gestelltes Problem, bei dem die verloren gegangenen Daten aufgrund von Unter- oder Überbelichtung sowie Farbquantisierung kompensiert werden müssen. Um dieses Problem anzugehen, stellen wir den ersten auf tiefen Lernverfahren basierenden Ansatz zur vollautomatischen Schätzung vor, der auf Faltungsneuronalen Netzwerken (Convolutional Neural Networks) beruht. Da eine naive Direktschätzung eines 32-Bit-HDR-Bildes aus einem 8-Bit-LDR-Bild aufgrund der Schwierigkeiten beim Training nicht praktikabel ist, verfolgen wir einen indirekten Ansatz: Das zentrale Konzept unseres Verfahrens besteht darin, mithilfe überwachten Lernens LDR-Bilder mit unterschiedlichen Belichtungszeiten (sogenannte Bracketed-Bilder) zu synthetisieren und anschließend ein HDR-Bild durch deren Fusion zu rekonstruieren. Durch die Nutzung von 3D-Deconvolutionsnetzwerken lernt unser Ansatz die relativen Änderungen der Pixelwerte infolge erhöhter oder verringeter Belichtung. Dadurch kann das Verfahren nicht nur natürliche Tonwerte ohne sichtbare Rauschkomponenten, sondern auch die Farben gesättigter Pixel präzise nachbilden. Die Wirksamkeit unseres Ansatzes demonstrieren wir durch Vergleiche mit herkömmlichen Methoden sowie mit Referenz-HDR-Bildern (Ground-Truth).