多曝光图像融合技术_文章和代码总结（Multi-Exposure Image fusion_papers_and_codes）

最近在学习多曝光融合技术，总结了该领域的一些方法，有对应的论文和代码，文末有它们的提取链接。

目录

研究背景和意义

MEF分类

空间域 spatial domain

变换域 transform domain

深度学习 deep learning

---

研究背景和意义

        但由于普通的数码相机等成像设备压缩了真实场景的亮度动态范围，拍摄出的图像存在光晕、梯度反转、颜色失真等现象，导致无法真实的还原人眼所能看见的场景信息。而高动态范围图像通过扩展图像的动态范围，弥补以上成像的不足。如今，在生成高动态范围图像中最热门的方法就是多曝光图像融合技术。

        多曝光融合（Multi-Exposure Fusion，MEF）

        利用三张及以上的同一场景的不同曝光度的图像，在图像变换域或空间域进行一些图像处理操作，融合成一张清晰度高的、颜色细节丰富的图像。

        MEF 是对图像直接进行处理的一种融合技术，该技术所用的图像数量是三张及以上，每张图像的共同点是图像内容相同，都是一样的场景，不同点在于曝光度不同，即图像的明暗程度不同。该技术可以在图像变换域操作，也可以在图像的空间域操作，不同的操作方法对应着不同的融合规则。经过简单的图像变换和选取合适的融合规则后就可以实施 MEF 技术，生成最终的 HDR 图像。该技术算法流程简单，操作方便，图像的纹理细节信息丰富，图像质量高，

        可以分为以下几类：

MEF分类

空间域 spatial domain

• 利用一定的空间特征，根据特定的规则直接在空间域中融合输入源图像。
• 处理流程：为每个输入图像生成一个权重映射图，并将融合后的图像作为所有输入图像的加权平均。
• 根据信息提取的层次，分为三种：基于像素的方法、基于patch的方法和基于优化的方法。
• 文章：
• dynamic_A precise multi-exposure image fusion method based on low-level features

dynamic_Dense SIFT for ghost-free multi-exposure fusion

dynamic_Detail-Preserving_Multi-Exposure Fusion With Edge Preserving Structural Patch Decomposition

dynamic_Fast multi-scale structural patch decomposition for multi-exposure image fusion

dynamic_Ghost-free multi exposure image fusion technique using dense sift descriptor and guided filter

optimized_Detail-Preserving_Underexposed_Image_Enhancement_via_Optimal_Weighted_Multi-Exposure_Fusion

optimized_Generalized Random Walks for Fusion of Multi-Exposure Images.pdf

patch_static_Robust multi-exposure image fusion_A structural patch decomposition

piexl_Multi-exposure image fusion based on linear embeddings and watershed masking

pixel_Information preserving exposure blending based on normalized log-domain entropy

pixel_static_A_Multi-Exposure_Image Fusion Based on the Adaptive Weights Reflecting the Relative Pixel Intensity and Global Gradient

变换域 transform domain

通常有三个阶段组成：图像变换、系数融合和逆变换。

    首先，通过应用图像分解或图像表示将输入图像转换到另一个域。

    然后，通过预先设计的融合规则对变换后的系数进行融合。

    最后，对融合系数进行相应的逆变换，得到融合后的图像。

    与基于空间域的MEF方法相比，最显著的特征包括融合图像重建的逆变换阶段。根据所使用的变换，基于变换域的MEF方法可以进一步分为基于多尺度分解的方法、基于梯度域的方法、基于稀疏表示的方法以及其他基于变换的方法。

文章：

Detail-enhanced Multi-scale Exposure Fusion in YUV Color Space

Edge-preserving smoothing pyramid based multi-scale exposure fusion

Exposure Fusion

Fast exposure fusion using exposuredness function

Image Fusion with Guided Filtering

Multi-exposure and multi-focus image fusion in gradient domain

Multi-Scale_Fusion_of_Two_Large-Exposure-Ratio_Images

深度学习 deep learning

    近年来，深度学习已经成为MEF领域一个非常活跃的方向。具有深度结构的神经网络已被广泛证明具有较强的特征表示能力，在各种图像和视觉任务中非常有用，包括图像融合。目前，卷积神经网络(convolutional neural networks, CNNs)和生成式对抗网络(generative adversarial networks, GANs)等深度学习模型已成功应用于MEF。根据所采用的模型，基于深度学习的方法可以进一步分为基于监督的方法和基于非监督的方法。

文章：

Deep guided learning for fast multi-exposure image fusion

IFCNN_A general image fusion framework based on convolutional neural network

文章和代码的网盘链接：

链接：https://pan.baidu.com/s/1agCKtr_VVG3wfYpBnzytEw 
提取码：krol