論文の概要: HDR Image Reconstruction using an Unsupervised Fusion Model

• arxiv url: http://arxiv.org/abs/2510.21815v1
• Date: Tue, 21 Oct 2025 17:43:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.539059
• Title: HDR Image Reconstruction using an Unsupervised Fusion Model
• Title（参考訳）: 教師なし核融合モデルを用いたHDR画像再構成
• Authors: Kumbha Nagaswetha,
• Abstract要約: 高ダイナミックレンジ(露光)イメージングは、自然界に存在する幅広い明るさレベルを再現することを目的としている。 本稿では,HDR画像生成のための深層学習に基づくマルチ露光融合手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High Dynamic Range (HDR) imaging aims to reproduce the wide range of brightness levels present in natural scenes, which the human visual system can perceive but conventional digital cameras often fail to capture due to their limited dynamic range. To address this limitation, we propose a deep learning-based multi-exposure fusion approach for HDR image generation. The method takes a set of differently exposed Low Dynamic Range (LDR) images, typically an underexposed and an overexposed image, and learns to fuse their complementary information using a convolutional neural network (CNN). The underexposed image preserves details in bright regions, while the overexposed image retains information in dark regions; the network effectively combines these to reconstruct a high-quality HDR output. The model is trained in an unsupervised manner, without relying on ground-truth HDR images, making it practical for real-world applications where such data is unavailable. We evaluate our results using the Multi-Exposure Fusion Structural Similarity Index Measure (MEF-SSIM) and demonstrate that our approach achieves superior visual quality compared to existing fusion methods. A customized loss function is further introduced to improve reconstruction fidelity and optimize model performance.
• Abstract（参考訳）: 高ダイナミックレンジ(HDR)イメージングは、人間の視覚システムが知覚できる自然のシーンに存在する幅広い明るさレベルを再現することを目的としている。 この制限に対処するため,HDR画像生成のための深層学習に基づくマルチ露光融合手法を提案する。 この方法は、通常、過剰に露光された、過剰に露光された画像である、異なる露光された低ダイナミックレンジ(LDR)画像の集合を取り、畳み込みニューラルネットワーク(CNN)を用いて補完的な情報を融合することを学ぶ。 未露光画像は明るい領域の細部を保存し、過剰露光画像は暗い領域の情報を保持し、ネットワークはこれらを効果的に組み合わせて高品質なHDR出力を再構築する。 このモデルは、地上のHDR画像に頼らず、教師なしの方法で訓練されており、そのようなデータが利用できない現実世界のアプリケーションでは実用的である。 我々は,Multi-Exposure Fusion Structure similarity Index Measure (MEF-SSIM) を用いて評価を行い,既存の融合法に比べて優れた視覚的品質を実現することを示す。 さらに、再構成忠実度を改善し、モデル性能を最適化するために、カスタマイズされた損失関数が導入された。

関連論文リスト

• Generating Content for HDR Deghosting from Frequency View [56.103761824603644]
  近年の拡散モデル (DM) はHDRイメージング分野に導入されている。 DMは画像全体を推定するために大きなモデルで広範囲の反復を必要とする。 ゴーストフリーHDRイメージングのための低周波数対応拡散(LF-Diff)モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-01T01:32:11Z)
• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• Self-Supervised High Dynamic Range Imaging with Multi-Exposure Images in Dynamic Scenes [58.66427721308464]
  Selfは、訓練中にダイナミックなマルチ露光画像のみを必要とする自己教師型再構成手法である。 Selfは最先端の自己管理手法に対して優れた結果を出し、教師付き手法に匹敵するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-10-03T07:10:49Z)
• GlowGAN: Unsupervised Learning of HDR Images from LDR Images in the Wild [74.52723408793648]
  そこで本研究では,HDR画像の生成モデルを構築するための第1の手法について述べる。 鍵となる考え方は、GAN(Generative Adversarial Network)を訓練して、様々な露光下でLDRに投影された場合、実際のLDR画像と区別できないHDR画像を生成することである。 実験の結果,GlowGANはランドスケープ,雷,窓など多くの難題において,光現実的HDR画像を合成できることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T15:42:08Z)
• FlexHDR: Modelling Alignment and Exposure Uncertainties for Flexible HDR Imaging [0.9185931275245008]
  高品質なHDR結果を生成するためにアライメントと露出の不確かさをモデル化する新しいHDRイメージング技術を提案する。 本研究では,HDRを意識した不確実性を考慮したアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・ 実験結果から,本手法は最先端の高画質HDR画像を最大0.8dBPSNRで生成できることがわかった。
  論文  参考訳（メタデータ） (2022-01-07T14:27:17Z)
• HDR-cGAN: Single LDR to HDR Image Translation using Conditional GAN [24.299931323012757]
  低ダイナミックレンジ(LDR)カメラは、現実世界のシーンの広いダイナミックレンジを表現できない。 本研究では,HDR画像の再構成を行いながら,飽和領域の詳細を復元する深層学習手法を提案する。 本稿では,HDR-REALデータセットとHDR-SYNTHデータセットに対して,エンドツーエンドでトレーニングされた新しい条件付きGAN(cGAN)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-04T18:50:35Z)
• End-to-End Differentiable Learning to HDR Image Synthesis for Multi-exposure Images [23.895981099137533]
  与えられた単一露光からの多重露光スタックに基づく高ダイナミックレンジ()画像再構成は、ディープラーニングフレームワークを用いて高品質なHDR画像を生成する。 我々は, スタック再構成に基づく手法において, 完全に微分可能な高ダイナミックレンジイメージング(I)プロセスを用いた新しいフレームワークを提案する。 言い換えれば、我々の微分可能なHDR合成層は、深層ニューラルネットワークがHDRIプロセスにおけるマルチ露光画像間の正確な相関を反映しながら、マルチ露光スタックを作成する訓練を支援する。
  論文  参考訳（メタデータ） (2020-06-29T06:47:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。