ExpandNet : Un Réseau de Neurones Convolutifs Profond pour l'Élargissement du Gamut Dynamique à Partir de Contenu à Faible Gamut Dynamique

L'imagerie à grande gamme dynamique (HDR) offre la possibilité de traiter l'éclairage du monde réel, contrairement à l'imagerie traditionnelle à faible gamme dynamique (LDR), qui peine à représenter de manière précise les images avec une gamme dynamique plus élevée. Cependant, la plupart des contenus d'imagerie sont encore disponibles uniquement en LDR. Cet article présente une méthode pour générer du contenu HDR à partir de contenu LDR basée sur des réseaux neuronaux convolutifs profonds (CNNs) appelés ExpandNet. ExpandNet accepte des images LDR en entrée et génère des images avec une gamme élargie de manière intégrale, de bout en bout. Le modèle tente de reconstruire les informations manquantes perdues lors de la quantification, du recadrage, du mappage tonal ou de la correction gamma du signal original. Les informations ajoutées sont reconstruites à partir de caractéristiques apprises, car le réseau est formé de manière supervisée à l'aide d'un ensemble de données d'images HDR. Cette approche est entièrement automatique et pilotée par les données ; elle ne nécessite aucune heuristique ni expertise humaine. ExpandNet utilise une architecture multirésolution qui évite l'utilisation de couches d'upsampling pour améliorer la qualité des images. La méthode se distingue favorablement, tant sur le plan quantitatif que qualitatif, par rapport aux opérateurs d'expansion/inverse du mappage tonal selon plusieurs métriques, même pour des entrées mal exposées.