摘要

从单张低动态范围（LDR）输入图像中恢复高动态范围（HDR）图像是一个挑战，因为相机传感器的量化和饱和会导致欠曝光和过曝光区域的细节丢失。与现有的基于学习的方法不同，我们的核心思想是将LDR图像生成流程的领域知识融入模型中。我们将HDR到LDR图像生成流程建模为三个步骤：(1) 动态范围裁剪，(2) 相机响应函数的非线性映射，以及 (3) 量化。然后，我们提出学习三个专门的卷积神经网络（CNN）来逆向执行这些步骤。通过将问题分解为具体的子任务，我们施加了有效的物理约束，以促进各个子网络的训练。最后，我们对整个模型进行端到端的联合微调，以减少误差累积。通过在多种图像数据集上进行广泛的定量和定性实验，我们证明了所提出的方法在性能上优于现有的单张图像HDR重建算法。