단일 노출에서 깊은 CNN을 사용한 HDR 이미지 재구성

카메라 센서는 동시에 제한된 범위의 명도만을 캡처할 수 있으며, 고동적 범위(HDR) 이미지를 생성하기 위해서는 일반적으로 다양한 노출 시간의 이미지 집합이 결합됩니다. 본 논문에서는 포화 영역에서 손실된 정보를 예측하여 단일 노출로부터 HDR 재구성을 가능하게 하는 문제를 다룹니다. 우리는 이 문제가 딥 러닝 알고리즘에 적합하다는 것을 보여주며, 특히 HDR 값을 예측하는 데 어려움을 고려하여 설계된 깊은 합성곱 신경망(CNN)을 제안합니다. CNN을 훈련시키기 위해 대규모의 HDR 이미지 데이터셋을 수집하였으며, 이를 다양한 카메라에서 센서 포화를 시뮬레이션하여 확장하였습니다. 더욱이, 강건성을 향상시키기 위해 MIT 플레이스 데이터베이스의 일부를 사용하여 생성된 시뮬레이션 HDR 데이터셋으로 CNN을 사전 훈련시켰습니다. 우리는 우리의 접근법이 다양한 상황에서 고해상도로 시각적으로 설득력 있는 HDR 결과를 재구성할 수 있음을 입증하였으며, 알려지지 않은 카메라 반응 함수와 후처리를 사용하는 임의의 저가형 카메라로 캡처된 이미지의 재구성에도 잘 일반화됨을 보였습니다. 또한, 기존의 HDR 확장 방법들과 비교하며 이미지 기반 조명에서도 고품질 결과를 얻는 것을 보였습니다. 마지막으로, HDR 디스플레이에서 수행된 주관적인 실험을 통해 재구성된 HDR 이미지가 시각적으로 설득력 있으며, 기존 방법들보다 크게 개선되었음을 확인하였습니다.