摘要

相机传感器一次只能捕捉有限范围的亮度，因此为了生成高动态范围（HDR）图像，通常需要将一组不同曝光的图像进行合成。本文研究了如何预测在图像过曝区域中丢失的信息，从而实现仅通过单次曝光完成HDR重建。我们表明，该问题非常适合采用深度学习算法解决，并提出了一种专门针对预测HDR值所面临挑战而设计的深度卷积神经网络（CNN）。为训练该CNN，我们构建了一个大规模HDR图像数据集，并通过模拟多种相机的传感器过曝情况对数据进行增强。为进一步提升模型的鲁棒性，我们还利用MIT Places数据库的一个子集生成的模拟HDR数据集对CNN进行了预训练。实验结果表明，我们的方法能够在多种场景下重建出高分辨率、视觉上令人信服的HDR图像，并且能很好地泛化至由任意类型及低性能相机拍摄、使用未知相机响应函数和后期处理流程的图像。此外，我们将该方法与现有的HDR扩展技术进行对比，结果表明在基于图像的照明（image-based lighting）任务中同样取得了高质量的重建效果。最后，我们在HDR显示器上开展了一项主观评估实验，结果表明所重建的HDR图像具有出色的视觉真实感，相比现有方法有显著提升。