ExpandNet: 저동적 범위 콘텐츠에서 고동적 범위 확장을 위한 딥 컨볼루션 신경망

고동적 범위(High Dynamic Range, HDR) 영상은 전통적인 저동적 범위(Low Dynamic Range, LDR) 영상과 달리 실제 세계의 조명을 처리하는 능력을 제공합니다. LDR은 높은 동적 범위를 가진 이미지를 정확히 표현하는 데 어려움이 있지만, 대부분의 영상 콘텐츠는 여전히 LDR 형식으로만 제공되고 있습니다. 본 논문에서는 딥 합성곱 신경망(Deep Convolutional Neural Networks, CNNs)을 기반으로 한 ExpandNet이라는 방법을 제시하여 LDR 콘텐츠로부터 HDR 콘텐츠를 생성합니다. ExpandNet은 LDR 이미지를 입력으로 받아 전체적으로 확장된 범위의 이미지를 생성합니다. 이 모델은 양자화, 클리핑, 톤 매핑 또는 감마 보정 등의 과정에서 원래 신호에서 손실된 정보를 재구성하려고 합니다. 추가된 정보는 학습된 특징들로부터 재구성되며, 네트워크는 HDR 이미지 데이터셋을 사용하여 지도 학습 방식으로 훈련됩니다. 이 접근법은 완전 자동화되고 데이터 주도적이며, 어떤 경험칙이나 인간의 전문성이 필요하지 않습니다. ExpandNet은 업샘플링 계층의 사용을 피하기 위해 다중 스케일 구조를 사용하여 이미지 품질을 개선합니다. 본 방법론은 노출이 부족한 입력에서도 여러 메트릭에 대해 양적 평가에서 확장/역 톤 매핑 연산자와 비교해 우수한 성능을 보입니다.