論文の概要: HDR Reconstruction Boosting with Training-Free and Exposure-Consistent Diffusion

• arxiv url: http://arxiv.org/abs/2602.19706v1
• Date: Mon, 23 Feb 2026 10:57:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.777654
• Title: HDR Reconstruction Boosting with Training-Free and Exposure-Consistent Diffusion
• Title（参考訳）: トレーニングフリー・露光持続拡散によるHDR再建
• Authors: Yo-Tin Lin, Su-Kai Chen, Hou-Ning Hu, Yen-Yu Lin, Yu-Lun Liu,
• Abstract要約: 我々は,既存の間接的および直接的HDR再構成手法を強化する訓練不要な手法を提案する。 本手法は,テキスト誘導拡散モデルとSDEditの改良を組み合わせることで,過剰に露出した領域で可塑性コンテンツを生成する。
• 参考スコア（独自算出の注目度）: 18.322610131900696
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single LDR to HDR reconstruction remains challenging for over-exposed regions where traditional methods often fail due to complete information loss. We present a training-free approach that enhances existing indirect and direct HDR reconstruction methods through diffusion-based inpainting. Our method combines text-guided diffusion models with SDEdit refinement to generate plausible content in over-exposed areas while maintaining consistency across multi-exposure LDR images. Unlike previous approaches requiring extensive training, our method seamlessly integrates with existing HDR reconstruction techniques through an iterative compensation mechanism that ensures luminance coherence across multiple exposures. We demonstrate significant improvements in both perceptual quality and quantitative metrics on standard HDR datasets and in-the-wild captures. Results show that our method effectively recovers natural details in challenging scenarios while preserving the advantages of existing HDR reconstruction pipelines. Project page: https://github.com/EusdenLin/HDR-Reconstruction-Boosting
• Abstract（参考訳）: 単一のLDRからHDRへの再構成は、従来の手法が完全な情報損失のためにしばしば失敗する、過剰に露呈した領域では依然として困難である。 本研究では,拡散法を応用して,既存の間接的および直接的HDR再構成手法を強化する訓練自由アプローチを提案する。 本手法は,テキスト誘導拡散モデルとSDEditの改良を組み合わせることで,多露光LDR画像間の整合性を維持しつつ,過剰露光領域の可塑性コンテンツを生成する。 従来手法と異なり,本手法は複数の露光における輝度コヒーレンスを保証する反復補償機構によって既存のHDR再構成技術とシームレスに統合されている。 我々は,標準HDRデータセットにおける知覚品質と定量的指標の両面での大幅な改善と,画像内キャプチャー(in-the-wild captures)について述べる。 提案手法は,既存のHDR再建パイプラインの利点を保ちながら,難解なシナリオの自然な詳細を効果的に回復することを示す。 プロジェクトページ: https://github.com/EusdenLin/HDR-Reconstruction-Boosting

関連論文リスト

• GMODiff: One-Step Gain Map Refinement with Diffusion Priors for HDR Reconstruction [48.881484713994496]
  マルチ露光HDR再構成のためのゲインマップ駆動1ステップ拡散フレームワークであるGMODiffを紹介する。 我々のGMOはいくつかの最先端手法に対して良好に動作し、従来のLCM方式よりも100倍高速である。
  論文  参考訳（メタデータ） (2025-12-18T09:50:25Z)
• HDR Image Reconstruction using an Unsupervised Fusion Model [0.0]
  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。
  論文  参考訳（メタデータ） (2025-10-21T17:43:22Z)
• Boosting HDR Image Reconstruction via Semantic Knowledge Transfer [45.738735520776004]
  シーン固有のセマンティクスの活用は、高度に劣化したリージョンを復元するための有望なソリューションを提供する。 これらの先行データは、通常、sRGB Standard Dynamic Range (SDR)画像から抽出される。 本稿では,既存のHDR再構築を促進するために,SDRドメインから派生した意味的知識を自己蒸留により伝達する一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-19T16:01:27Z)
• 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)
• HistoHDR-Net: Histogram Equalization for Single LDR to HDR Image Translation [12.45632443397018]
  高ダイナミックレンジ(HDR)イメージングは、現実世界のシーンの高画質と明快さを再現することを目的としている。 この文献は、低ダイナミックレンジ(Low Dynamic Range, LDR)からのHDR画像再構成のための様々なデータ駆動手法を提供している。 これらのアプローチの共通する制限は、再構成されたHDR画像の領域における詳細が欠けていることである。 細部を復元するためのシンプルで効果的な手法Histo-Netを提案する。
  論文  参考訳（メタデータ） (2024-02-08T20:14:46Z)
• 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)
• Learning Continuous Exposure Value Representations for Single-Image HDR Reconstruction [23.930923461672894]
  LDRスタックに基づく手法は, 深層学習により生成したHDRスタックからHDR画像を生成する単一像HDR再構成に使用される。 現在の方法では、所定の露光値(EV)を持つスタックを生成し、HDR再構成の品質を制限できる。 本稿では、暗黙の関数を用いて任意のEVでLDR画像を生成する連続露光値表現(CEVR)を提案する。
  論文  参考訳（メタデータ） (2023-09-07T17:59:03Z)
• HDR Reconstruction from Bracketed Exposures and Events [12.565039752529797]
  高品質なHDR画像の再構成は、現代の計算写真の中心にある。 特徴領域におけるブラケット画像とイベントを融合したマルチモーダルなエンドツーエンド学習型HDRイメージングシステムを提案する。 我々のフレームワークは、スライディングウィンドウを使用して入力イベントストリームをサブサンプリングすることで、イベントの時間分解能を高める。
  論文  参考訳（メタデータ） (2022-03-28T15:04:41Z)
• HDR-GAN: HDR Image Reconstruction from Multi-Exposed LDR Images with Large Motions [62.44802076971331]
  マルチ露光LDR画像からHDR画像を合成するための新しいGANモデルHDR-GANを提案する。 本手法は,敵対学習を取り入れることで,欠落したコンテンツのある領域に忠実な情報を生成することができる。
  論文  参考訳（メタデータ） (2020-07-03T11:42:35Z)
• Single-Image HDR Reconstruction by Learning to Reverse the Camera Pipeline [100.5353614588565]
  本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。 我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。 提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-04-02T17:59:04Z)

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。