SR-ITM--融合超分辨率和逆色调映射（二）

本次接着上次的解读围绕逆色调映射技术HDR展开，HDR技术近年来发展迅猛，在未来将会成为图像与视频领域的主流。首先欣赏一下Google Camera的HDR+技术所呈现的照片。





以HDR技术所处理的照片确实惊艳，该算法于2017年提出，慢慢已经应用于相机和手机中。下面主要围绕深度学习中的HDR技术进行综述性探讨。

HDR，即高动态范围图像，目前一般RGB图像，每个像素为8bit表示，而高动态图像每像素可能有10bit甚至12bit,显示的图像颜色可以更高的表示范围。HDR技术可以让摄影、视频和游戏展现出更多的细节、更丰富的色彩和更高的亮度，带给我们更逼真的视觉享受！

对于动态场景来说，从一组不同曝光的图像中生成高动态范围(HDR)图像是一个具有挑战性的过程。

这篇论文为Deep Reverse Tone Mapping。是用深度学习的方法来处理逆色调问题，输入一张LDR图像时，其可以输出不同曝光的图像。通过上曝光模块，得到一系列的上曝光的图像，通过下曝光模块，得到一系列的下曝光图像，最后通过融合成HDR图像。整体算法模仿一般的传统处理HDR的方式。

这篇文章为HDR image reconstruction from a single exposure using deep CNNs。是以encoder-decoder模型为HDR处理的思路，LDR图像进行encoder，得到解码的HDR图像。论文主要贡献在于：
（1）是一种混合动态范围自动编码器，专门针对LDR输入数据和HDR输出图像进行操作。它利用了HDR特有的传输学习、跳跃连接、颜色空间和损失函数
（2）它可以从任意一幅暴露的LDR图像中重建出高质量的HDR图像。

这篇论文是以GAN网络来做逆色调映射的，将LDR图像输入Generator中，产生HDR的结果，Discriminator网络用来判别。通过不断学习，从而是网络学习到一个好的HDR结果。
这几年，HDR视频需求不断增加，技术也不断进步。上述几篇文章只是本人阅读中遇到的几篇，进行了简要的分析，如果还需深入了解，继续阅读该领域论文。