HyperAIHyperAI

Command Palette

Search for a command to run...

Deep Conditional HDRI : Cartographie tonale inverse par méthode de conditionnement à double encodeur-decodeur

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

Résumé

La cartographie inverse des tons, technique permettant de restaurer une image à grand dynamisme (HDR) à partir d'une seule image à faible dynamisme (LDR), présente une grande polyvalence car elle peut être facilement appliquée à tout type de dispositif photo. Par ailleurs, les récents progrès des réseaux de neurones profonds ont permis une amélioration significative des performances dans ce domaine. Toutefois, la restauration précise d'une image HDR à large gamme à partir d'une seule image LDR reste un défi difficile. Une étude récente a tenté d’obtenir une pile de pseudo-expositions multiples en générant une condition d’exposition spatialement adaptative (EV) à partir des valeurs de luminance. Toutefois, en ne prenant en entrée que les valeurs de luminance, cette méthode de conditionnement ne reflète pas avec précision les informations de l’image d’entrée lors de la génération de la condition EV, entraînant une perte d’expressivité colorée. En outre, il subsiste des incertitudes quant à la manière d’appliquer efficacement la condition EV aux caractéristiques de l’image. L’idée centrale de cette étude consiste donc à utiliser directement les caractéristiques d’image pour générer des conditions EV adaptatives à la fois à la couleur et à la luminosité. Pour ce faire, nous avons conçu un réseau de génération de condition reposant sur une architecture encodeur-décodeur, et proposé un nouveau réseau de génération de pile d’expositions multiples, capable de synthétiser bidirectionnellement les caractéristiques d’image et les caractéristiques conditionnées par EV. En outre, afin de mieux préserver les informations des caractéristiques lors de leur synthèse, nous introduisons un bloc de transformation de caractéristiques adaptatif spatialement. La méthode proposée obtient des résultats remarquables dans la restauration des piles d’expositions multiples pour la synthèse d’images HDR. En outre, elle atteint des performances de pointe par rapport aux méthodes existantes en matière de génération de piles d’expositions multiples et de restauration HDR basée sur des piles.


Créer de l'IA avec l'IA

De l'idée au lancement — accélérez votre développement IA avec le co-codage IA gratuit, un environnement prêt à l'emploi et le meilleur prix pour les GPU.

Codage assisté par IA
GPU prêts à l’emploi
Tarifs les plus avantageux

HyperAI Newsletters

Abonnez-vous à nos dernières mises à jour
Nous vous enverrons les dernières mises à jour de la semaine dans votre boîte de réception à neuf heures chaque lundi matin
Propulsé par MailChimp