論文の概要: DiffHDR: Re-Exposing LDR Videos with Video Diffusion Models

• arxiv url: http://arxiv.org/abs/2604.06161v2
• Date: Fri, 10 Apr 2026 00:14:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 13:51:27.659969
• Title: DiffHDR: Re-Exposing LDR Videos with Video Diffusion Models
• Title（参考訳）: DiffHDR:ビデオ拡散モデルによるLDRビデオの再展開
• Authors: Zhengming Yu, Li Ma, Mingming He, Leo Isikdogan, Yuancheng Xu, Dmitriy Smirnov, Pablo Salamanca, Dao Mi, Pablo Delgado, Ning Yu, Julien Philip, Xin Li, Wenping Wang, Paul Debevec,
• Abstract要約: Diff はビデオ拡散モデルの潜在空間内で LDR-to-generative conversion を定式化するフレームワークである。 さらに本フレームワークでは,テキストや参照画像でガイドされる制御可能なLDR-to-video変換を可能にする。
• 参考スコア（独自算出の注目度）: 35.73610036182625
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Most digital videos are stored in 8-bit low dynamic range (LDR) formats, where much of the original high dynamic range (HDR) scene radiance is lost due to saturation and quantization. This loss of highlight and shadow detail precludes mapping accurate luminance to HDR displays and limits meaningful re-exposure in post-production workflows. Although techniques have been proposed to convert LDR images to HDR through dynamic range expansion, they struggle to restore realistic detail in the over- and underexposed regions. To address this, we present DiffHDR, a framework that formulates LDR-to-HDR conversion as a generative radiance inpainting task within the latent space of a video diffusion model. By operating in Log-Gamma color space, DiffHDR leverages spatio-temporal generative priors from a pretrained video diffusion model to synthesize plausible HDR radiance in over- and underexposed regions while recovering the continuous scene radiance of the quantized pixels. Our framework further enables controllable LDR-to-HDR video conversion guided by text prompts or reference images. To address the scarcity of paired HDR video data, we develop a pipeline that synthesizes high-quality HDR video training data from static HDRI maps. Extensive experiments demonstrate that DiffHDR significantly outperforms state-of-the-art approaches in radiance fidelity and temporal stability, producing realistic HDR videos with considerable latitude for re-exposure.
• Abstract（参考訳）: ほとんどのデジタルビデオは8ビットの低ダイナミックレンジ (LDR) 形式で保存されており、元のハイダイナミックレンジ (HDR) シーンのラディアンスの多くは飽和と量子化のために失われている。 このハイライトとシャドーディテールの喪失は、HDRディスプレイへの正確な輝度のマッピングを妨げ、ポストプロダクションワークフローにおける意味のある再露光を制限する。 ダイナミックレンジ拡張によりLDR画像をHDRに変換する技術が提案されているが、過度の領域や過度の領域で現実的な詳細を復元するのに苦労している。 そこで本稿では,ビデオ拡散モデルの潜時空間における生成的ラディアンス塗装タスクとして,LDR-to-HDR変換を定式化するフレームワークであるDiffHDRを提案する。 Log-Gamma色空間で操作することで、DiffHDRは事前訓練されたビデオ拡散モデルから時空間生成の事前情報を活用し、量子化された画素の連続的なシーン放射を回復しながら、過度および過度に露出した領域における可塑性HDR放射を合成する。 さらに,テキストプロンプトや参照画像によって誘導される制御可能なLDR-to-HDRビデオ変換を可能にする。 ペア化されたHDRビデオデータの不足に対処するため,静的HDRIマップから高品質なHDRビデオトレーニングデータを合成するパイプラインを開発した。 広汎な実験により、DiffHDRは放射率の忠実度と時間的安定性において最先端のアプローチを著しく上回り、再露のためにかなりの緯度で現実的なHDRビデオを生成することを示した。

関連論文リスト

• Reconstructing 3D Scenes in Native High Dynamic Range [82.90064638813185]
  本研究では,HDR観測を直接モデル化した3次元シーン再構成法を提案する。 bf Native High Dynamic Range 3D Gaussian Splatting (NH-3DGS)を提案する。 NH-3DGSは, 再構成品質と動的レンジ保存において, 既存の手法よりも有意に優れる合成多視点HDRデータセットと実HDRデータセットの両方を実証した。
  論文  参考訳（メタデータ） (2025-11-17T02:33:31Z)
• LEDiff: Latent Exposure Diffusion for HDR Generation [11.669442066168244]
  LEDiffは、遅延空間露光融合技術により、HDRコンテンツを生成する生成モデルを実現する方法である。 また、LDR-to-fusionコンバータとしても機能し、既存の低ダイナミックレンジ画像のダイナミックレンジを拡張する。
  論文  参考訳（メタデータ） (2024-12-19T02:15:55Z)
• Exposure Completing for Temporally Consistent Neural High Dynamic Range Video Rendering [17.430726543786943]
  本稿では,不在な露光情報を完成させることで,HDRフレームを描画する新しいパラダイムを提案する。 提案手法では, 隣接LDRフレームを時間次元で補間し, 露出の欠如に対してLDRフレームを再構成する。 これにより、HDR結果の融合プロセスの恩恵を受け、ノイズやゴーストを低減し、時間的一貫性を向上させることができる。
  論文  参考訳（メタデータ） (2024-07-18T09:13:08Z)
• Diffusion-Promoted HDR Video Reconstruction [45.73396977607666]
  高ダイナミックレンジ(LDR)ビデオ再構成は、低ダイナミックレンジ(LDR)フレームから交互に露出したHDRビデオを生成することを目的としている。 既存の作品の多くは回帰に基づくパラダイムにのみ依存しており、ゴーストのアーティファクトや飽和した地域での詳細の欠如といった悪影響につながっている。 本稿では,HDR-V-Diffと呼ばれるHDR映像再構成のための拡散促進手法を提案する。
  論文  参考訳（メタデータ） (2024-06-12T13:38:10Z)
• 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)
• HDR-NeRF: High Dynamic Range Neural Radiance Fields [70.80920996881113]
  我々は、低ダイナミックレンジ(LDR)ビューの集合からHDR放射界を異なる露光で復元するために、高ダイナミックレンジニューラルレイディアンス場(-NeRF)を提案する。 異なる露出下で、新しいHDRビューと新しいLDRビューの両方を生成することができる。
  論文  参考訳（メタデータ） (2021-11-29T11:06:39Z)

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。