Deep Recursive HDRI : Cartographie tonale inverse utilisant des réseaux génératifs adversariels

Les images à dynamique élevée contiennent des informations de luminance du monde physique et offrent une expérience plus réaliste que les images conventionnelles à dynamique faible. Étant donné que la plupart des images présentent une dynamique faible, la reconstruction de la dynamique perdue à partir d'une seule image à dynamique faible reste un enjeu courant. Nous proposons une nouvelle méthode pour restaurer la dynamique perdue à partir d'une image à dynamique faible unique, basée sur un réseau neuronal profond. La méthode proposée constitue le premier cadre permettant de générer des images à dynamique élevée à partir d'une pile d’expositions estimées, en utilisant une architecture de réseau génératif adversaire conditionnel (cGAN). Dans cette architecture, le réseau est entraîné à l’aide d’une fonction objectif combinant la perte L1 et la perte du réseau génératif adversaire. En outre, cette architecture présente une structure simplifiée par rapport aux réseaux existants. Les résultats expérimentaux montrent que le réseau proposé génère une pile d’expositions multiples composée d’images réalistes aux valeurs d’exposition variables, tout en évitant les artefacts sur les benchmarks publics, en comparaison avec les méthodes existantes. De plus, tant les piles d’expositions multiples que les images à dynamique élevée estimées par la méthode proposée sont significativement plus proches de la vérité terrain que celles produites par les algorithmes de pointe actuels.