Apprentissage différentiable de bout en bout pour la synthèse d'images HDR à partir d'images multi-exposition

Récemment, la reconstruction d'images à grande gamme dynamique (HDR) basée sur une pile d'expositions multiples à partir d'une seule exposition donnée utilise un cadre de deep learning pour générer des images HDR de haute qualité. Ces réseaux conventionnels se concentrent sur la tâche de transfert d'exposition pour reconstruire la pile d'expositions multiples. Par conséquent, ils échouent souvent à fusionner la pile d'expositions multiples en une image HDR agréable visuellement en raison des artefacts d'inversion. Nous abordons ce problème dans les méthodes basées sur la reconstruction de piles en proposant un nouveau cadre avec un processus d'imagerie à grande gamme dynamique (HDRI) entièrement différentiable. En utilisant explicitement une perte qui compare la sortie du réseau avec l'image HDR de référence, notre cadre permet à un réseau neuronal de s'entraîner de manière stable pour générer une pile d'expositions multiples destinée à l'HDRI. Autrement dit, notre couche de synthèse HDR différentiable aide le réseau neuronal profond à s'entraîner pour créer des piles d'expositions multiples tout en reflétant les corrélations précises entre les images d'expositions multiples dans le processus HDRI. De plus, notre réseau utilise la décomposition d'image et un processus récursif pour faciliter la tâche de transfert d'exposition et pour répondre adaptativement à la fréquence de récursion. Les résultats expérimentaux montrent que le réseau proposé surpasses les résultats quantitatifs et qualitatifs de pointe actuels tant pour les tâches de transfert d'exposition que pour l'ensemble du processus HDRI.