Learning Continuous Exposure Value Representations for Single-Image HDR Reconstruction

要約

ディープラーニングは、LDR 画像から HDR 画像を再構築するために一般的に使用されます。
LDR スタックベースの手法は、単一画像の HDR 再構成に使用され、深層学習で生成された LDR スタックから HDR 画像を生成します。
ただし、現在の方法では、所定の露出値 (EV) を使用してスタックが生成されるため、HDR 再構築の品質が制限される可能性があります。
これに対処するために、我々は、暗黙的な関数を使用して、トレーニング中に見えなかったものを含む任意の EV を含む LDR 画像を生成する連続露出値表現 (CEVR) を提案します。
私たちのアプローチは、多様な EV を含むより多くの画像を含む連続スタックを生成し、HDR 再構築を大幅に改善します。
サイクル トレーニング戦略を使用して、対応するグラウンド トゥルースなしで連続 EV LDR 画像を生成するモデルを監視します。
実験結果が示すように、当社の CEVR モデルは既存の方法よりも優れています。

要約(オリジナル)

Deep learning is commonly used to reconstruct HDR images from LDR images. LDR stack-based methods are used for single-image HDR reconstruction, generating an HDR image from a deep learning-generated LDR stack. However, current methods generate the stack with predetermined exposure values (EVs), which may limit the quality of HDR reconstruction. To address this, we propose the continuous exposure value representation (CEVR), which uses an implicit function to generate LDR images with arbitrary EVs, including those unseen during training. Our approach generates a continuous stack with more images containing diverse EVs, significantly improving HDR reconstruction. We use a cycle training strategy to supervise the model in generating continuous EV LDR images without corresponding ground truths. Our CEVR model outperforms existing methods, as demonstrated by experimental results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google