要約
最近、与えられた単一露出画像から複数の露出スタックを用いて高動的範囲（HDR）画像再構成を行う手法において、深層学習フレームワークが利用されて高品質なHDR画像を生成しています。これらの従来のネットワークは、露出転送タスクに焦点を当てて多露出スタックの再構成を行っています。そのため、逆変換アーティファクトが発生し、多露出スタックを知覚的に快適なHDR画像に融合することがしばしば困難となっています。我々は、スタック再構成ベースの手法におけるこの問題に対処するために、完全微分可能な高動的範囲画像処理（HDRI）プロセスを持つ新しいフレームワークを提案します。具体的には、ネットワークの出力と真実のHDR画像との比較に基づく損失関数を明示的に使用することで、多露出スタックを生成するニューラルネットワークが安定して訓練されるようにしています。つまり、我々の微分可能なHDR合成層は、深層ニューラルネットワークが多露出スタックを作成する際、HDRIプロセスにおける多露出画像間の正確な相関関係を反映しながら訓練されることを助けます。さらに、我々のネットワークは画像分解と再帰プロセスを使用して、露出転送タスクを容易にし、再帰頻度に適応的に対応します。実験結果は、提案されたネットワークが露出手動タスクおよび全体的なHDRIプロセスにおいて定量的および定性的両面で最先端の結果を超えることを示しています。注：「露出手動タスク」は原文では「exposure transfer tasks」となっていますが、「露出手動」ではなく「露出転送」の方がより一般的かつ正確な訳語です。したがって、「露出手動タスク」を「露出転送タスク」に修正しました。