カメラセンサーは同時に捉えられる光度の範囲に限界があるため、高ダイナミックレンジ（HDR）画像を生成するには、複数の露出を組み合わせる手法が一般的である。本論文では、露出過多（サチュレーション）により情報が失われた領域の情報を予測することで、単一露出からのHDR再構成を可能にする問題に取り組む。本研究では、この問題が深層学習アルゴリズムに適していることを示し、HDR値の予測における課題を踏まえて特別に設計された深層畳み込みニューラルネットワーク（CNN）を提案する。CNNの学習には、多数のHDR画像から構成される大規模データセットを収集し、さまざまなカメラのセンサー飽和をシミュレートすることでデータ拡張を行った。さらに、モデルのロバスト性を向上させるために、MIT Placesデータベースのサブセットから作成したシミュレートHDRデータセット上でCNNを事前学習した。実験の結果、本手法は多様な状況下において高解像度で視覚的に自然なHDR画像を再構成できることを示し、未知のカメラ応答関数や後処理を施した任意の低価格カメラで撮影された画像にも良好に一般化できることを確認した。また、既存のHDR拡張手法と比較し、画像ベースのライティング（IBL）においても高品質な結果を達成した。さらに、HDRディスプレイ上で実施した主観評価実験により、再構成されたHDR画像が視覚的に説得力があり、従来手法と比較して顕著な改善が得られることを検証した。