Deep Chain HDRI : Reconstruction d'une image à gamme dynamique élevée à partir d'une seule image à gamme dynamique réduite

Dans cet article, nous proposons un nouveau modèle de réseau neuronal profond capable de reconstruire une image à grande gamme dynamique (HDR) à partir d'une seule image à faible gamme dynamique (LDR). Le modèle proposé repose sur un réseau neuronal convolutif composé de couches de convolution dilatées et infère des images LDR avec diverses expositions et éclairages à partir d'une seule image LDR de la même scène. Ensuite, l'image HDR finale peut être formée en fusionnant ces résultats d'inférence. Grâce à la structure en chaîne qui déduit la relation entre les images LDR avec des expositions plus claires (ou plus sombres) à partir d'une image LDR donnée, la méthode proposée permet de trouver relativement facilement le mappage entre une image LDR et une HDR avec une profondeur de bits différente. Cette méthode non seulement étend la gamme dynamique, mais offre également l'avantage de restituer les informations lumineuses du monde physique réel. Pour les images HDR obtenues par la méthode proposée, le score Q HDR-VDP2, qui est le métrique d'évaluation le plus couramment utilisé pour les images HDR, s'est élevé à 56,36 pour un affichage avec une résolution de 1920×1200 pixels, soit une amélioration de 6 points par rapport aux scores des algorithmes conventionnels. De plus, lorsqu'on compare les valeurs du rapport signal-bruit maximal pour les images HDR toniques générées par l'algorithme proposé et par les algorithmes conventionnels, la valeur moyenne obtenue par l'algorithme proposé est de 30,86 dB, ce qui représente une augmentation de 10 dB par rapport aux valeurs obtenues par les algorithmes conventionnels.