要約
1枚の低ダイナミックレンジ（LDR）入力から高ダイナミックレンジ（HDR）画像を推定する問題は、露出不足・過剰によるデータの損失や色の量子化誤差を補完しなければならないという不適切に定義された問題である。この課題に対処するため、畳み込みニューラルネットワーク（CNN）を用いた完全自動推定のための初めての深層学習ベースのアプローチを提案する。8ビットのLDR画像から32ビットのHDR画像を直接推定するという単純なアプローチは、学習の困難さから現実的ではないため、間接的な手法を採用している。本手法の核心的なアイデアは、教師あり学習により、異なる露出条件下で撮影されたLDR画像（すなわち露出ブレケット画像）を合成し、それらを統合することでHDR画像を再構成することにある。3次元デコンボリューションネットワークを用いて露出の増減に伴う画素値の相対的変化を学習することで、本手法は可視的なノイズを導入せずに自然なトーンを再現するとともに、飽和した画素の色再現も可能である。従来の手法と比較するだけでなく、真値（ground-truth）のHDR画像と照らし合わせることで、本手法の有効性を実証した。