単一の低動的範囲（LDR）入力画像から高動的範囲（HDR）画像を復元することは、カメラセンサーの量子化と飽和により、アンダーエクスポージャーおよびオーバーエクスポージャー領域での詳細が欠落しているため、非常に困難です。既存の学習ベースの手法とは異なり、私たちの中心的なアイデアはLDR画像形成パイプラインのドメイン知識をモデルに組み込むことです。HDRからLDRへの画像形成パイプラインを（1）動的範囲のクリッピング、（2）カメラ応答関数からの非線形マッピング、（3）量子化という3つのプロセスとしてモデル化しました。その後、これらのステップを逆にするために3つの専門的なCNN（畳み込みニューラルネットワーク）を学習することを提案します。問題を特定のサブタスクに分解することで、各サブネットワークの訓練に効果的な物理的制約を課すことができます。最後に、エンドツーエンドで全体的なモデルを共同微調整し、誤差蓄積を軽減します。多様な画像データセットに対する広範な定量的および定性的実験を通じて、提案手法が最先端の単一画像HDR再構成アルゴリズムに対して有利な性能であることを示しています。