HDRUNet: ノイズ除去と量子化解除を用いた単一画像HDR再構成

大多数消费级数码相机由于传感器限制，只能捕捉现实场景中有限的亮度范围。此外，成像过程中常常会引入噪声和量化误差。为了获得具有优良视觉质量的高动态范围（HDR）图像，最常见的解决方案是将不同曝光度的多张图像进行组合。然而，获取同一场景的多张图像并不总是可行的，而且大多数HDR重建方法忽略了噪声和量化损失。本研究提出了一种基于学习的新方法，使用空间动态编码器-解码器网络（HDRUNet），以实现单张图像HDR重建的同时去噪和去量化。该网络由一个UNet风格的基础网络组成，充分利用层次化的多尺度信息；一个条件网络执行特定模式的调制；以及一个加权网络有选择地保留信息。此外，我们提出了一种Tanh_L1损失函数来平衡过曝值和正常曝光值对网络学习的影响。我们的方法在定量比较和视觉质量方面达到了最先进的性能。所提出的HDRUNet模型在NITRE2021高动态范围挑战赛的单帧赛道中获得了第二名。翻訳：消費級デジタルカメラの多くは、センサーの制約により実世界のシーンで限られた輝度範囲しか捉えることができません。さらに、画像処理過程ではノイズや量子化誤差がしばしば導入されます。優れた視覚品質を持つ高動態範囲（HDR）画像を取得するためには、最も一般的な解決策は異なる露出度の複数枚の画像を組み合わせることです。しかし、同じシーンの複数枚の画像を取得することは常に可能ではなく、ほとんどのHDR再構築手法はノイズと量子化損失を無視しています。本研究では、空間的に動的なエンコーダー-デコーダーネットワークであるHDRUNetを使用して、単一画像からのHDR再構築と同時にノイズ除去および量子化除去を行う新しい学習ベースのアプローチを提案します。このネットワークは、階層的な多スケール情報を十分に活用するUNetスタイルの基本ネットワーク、パターン固有の調製を行う条件ネットワーク、および情報を選択的に保持するための重み付けネットワークから構成されています。また、過露出値と適切な露出値がネットワーク学習に与える影響をバランスさせるTanh_L1損失関数を提案しています。当方の手法は定量的な比較と視覚品質において最先端の性能を達成しており、提案されたHDRUNetモデルはNITRE2021高動態範囲チャレンジのシングルフレーム部門で第2位となりました。