KUNet : Reconstruction d'une seule image HDR inspirée par les connaissances visuelles

Récemment, avec l’émergence des dispositifs d’affichage à gamme dynamique élevée (HDR), la demande de conversion d’images à gamme dynamique faible (LDR) traditionnelles en versions HDR s’est considérablement renforcée. Le principal défi réside dans la résolution du problème de correspondance multiple à multiple. Toutefois, les approches existantes ne prennent pas suffisamment en compte la contrainte de l’espace solution, ou se contentent d’imiter de manière simplifiée le pipeline inverse de l’imagerie photographique par étapes, sans formuler directement le processus de génération d’image HDR. Dans ce travail, nous abordons ce problème en intégrant des connaissances spécifiques à l’imagerie LDR vers HDR dans une architecture UNet, baptisée Knowledge-inspired UNet (KUNet). La conversion LDR vers HDR est formulée de manière mathématique et peut être conceptuellement décomposée en trois étapes : la récupération des détails manquants, l’ajustement des paramètres d’acquisition d’image et la réduction du bruit d’imagerie. En conséquence, nous proposons un bloc fondé sur les connaissances (KIB), composé de trois sous-réseaux correspondant chacun à l’une de ces trois étapes. Ces blocs KIB sont assemblés de manière sérielle, de manière similaire à l’architecture UNet, afin de construire une image HDR riche en informations globales. Par ailleurs, nous introduisons également une structure de connexion directe inspirée des connaissances, conçue pour mieux gérer l’écart de gamme dynamique entre les images HDR et LDR. Les résultats expérimentaux montrent que KUNet atteint des performances supérieures par rapport aux méthodes de pointe. Le code source, les jeux de données et les documents complémentaires sont disponibles à l’adresse suivante : https://github.com/wanghu178/KUNet.git.