다중 노출 이미지에 대한 End-to-End 미분 가능한 HDR 이미지 합성 학습

최근, 주어진 단일 노출에서 다중 노출 스택을 기반으로 한 고동적 범위(HDR) 이미지 재구성은 딥 러닝 프레임워크를 사용하여 고품질의 HDR 이미지를 생성하는 데 활용되고 있습니다. 이러한 전통적인 네트워크들은 노출 전송 작업에 초점을 맞추어 다중 노출 스택을 재구성하는데 주력합니다. 따라서, 역변환 아티팩트가 발생함에 따라 다중 노출 스택을 시각적으로 만족스러운 HDR 이미지로 융합하는 데 실패하는 경우가 많습니다. 우리는 스택 재구성 기반 방법에서 발생하는 이 문제를 완전히 미분 가능한 고동적 범위 영상(HDRI) 처리 과정을 제안함으로써 해결하고자 합니다. 네트워크의 출력과 실제 HDR 이미지를 비교하는 손실 함수를 명시적으로 사용함으로써, 우리의 프레임워크는 HDRI를 위한 다중 노출 스택을 생성하는 신경망이 안정적으로 학습할 수 있도록 합니다. 즉, 우리의 미분 가능한 HDR 합성 층은 신경망이 다중 노출 이미지 간의 정확한 상관관계를 반영하면서 HDRI 과정에서 다중 노출 스택을 생성하도록 도와줍니다. 또한, 우리의 네트워크는 이미지 분해와 반복 프로세스를 사용하여 노출 전송 작업을 용이하게 하고 재귀 빈도에 적응적으로 대응할 수 있도록 설계되었습니다. 실험 결과는 제안된 네트워크가 노출 전송 작업과 전체 HDRI 과정 모두에서 최신 연구 결과보다 우수한 정량적 및 정성적 성능을 보임을 입증하고 있습니다.