論文の概要: ExpoCM: Exposure-Aware One-Step Generative Single-Image HDR Reconstruction

• arxiv url: http://arxiv.org/abs/2605.02464v1
• Date: Mon, 04 May 2026 11:06:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.2552
• Title: ExpoCM: Exposure-Aware One-Step Generative Single-Image HDR Reconstruction
• Title（参考訳）: ExpoCM:露光を意識した単一画像HDR再構成
• Authors: Aoyu Liu, Zhen Liu, Ziyi Wang, Dian Chen, Bing Zeng, Shuaicheng Liu,
• Abstract要約: シングルイメージHDR再構成は,単一低ダイナミックレンジ(LDR)入力から高ダイナミックレンジの放射率を回復することを目的としている。 ExpoCMは,HDR再構成をPF-ODE(Probability Flow ODE)として再構成し,露出依存摂動による露出認識整合性トラジェクトリを構築する,新しい一段階のHDR再構成フレームワークである。 HDR-REAL、HDR-EYE、AIM2025ベンチマークの実験は、ExpoCMが最先端の忠実性を達成することを示した。
• 参考スコア（独自算出の注目度）: 60.873186669266836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-image HDR reconstruction aims to recover high dynamic range radiance from a single low dynamic range (LDR) input, but remains highly ill-posed due to detail saturation in over-exposed regions and noise amplification in under-exposed areas. While recent diffusion-based approaches offer powerful generative priors, they often overlook the exposure-dependent nature of the degradation and incur substantial computational costs from iterative sampling. To address these challenges, we propose ExpoCM, a novel one-step generative HDR reconstruction framework that reformulates HDR reconstruction as a Probability Flow ODE (PF-ODE) and constructs exposure-aware consistency trajectories via exposure-dependent perturbations. Specifically, a soft exposure mask is first constructed to separate the LDR image into over-, under-, and well-exposed regions. Based on this partition, region-conditioned consistency trajectories are designed to hallucinate saturated details, suppress noise in dark regions, and preserve reliable structures within a single, distillation-free inference step. To further enhance perceptual quality, we introduce an Exposure-guided Luminance-Chromaticity Loss in the CIE~$\text{L}^*\text{a}^*\text{b}^*$ space, which assigns exposure-aware weights to luminance and chromaticity components, effectively mitigating brightness bias and color drift. Extensive experiments on the HDR-REAL, HDR-EYE, and AIM2025 benchmarks demonstrate that ExpoCM achieves state-of-the-art fidelity and perceptual accuracy, while enabling over 400$\times$ and 20$\times$ faster inference compared to DDPM (1000 steps) and DDIM (50 steps), respectively.
• Abstract（参考訳）: シングルイメージHDR再構成は,単一低ダイナミックレンジ(LDR)入力から高ダイナミックレンジの放射率を回復することを目的としている。 最近の拡散に基づくアプローチは強力な生成的先行性を提供するが、分解の露光に依存した性質を見落とし、反復的なサンプリングからかなりの計算コストを得ることが多い。 これらの課題に対処するために,確率フローODE(Probability Flow ODE, PF-ODE)としてHDR再構成を再構成し, 露出依存摂動による露出認識整合性トラジェクトリを構築する新しい一段階HDR再構成フレームワークであるExpoCMを提案する。 特に、ソフト露光マスクが最初に構築され、LDR画像をオーバー、アンダー、そしてよく露光した領域に分離する。 この分割に基づいて、領域条件の整合性軌道は飽和した詳細を幻覚し、暗黒領域の騒音を抑え、単一の蒸留のない推論ステップで信頼性の高い構造を維持するように設計されている。 さらに知覚品質を高めるために,CIE~$\text{L}^*\text{a}^*\text{b}^*$ spaceで露光誘導ルミナンス・クロマティリティ損失を導入する。 HDR-REAL、HDR-EYE、AIM2025ベンチマークの大規模な実験により、ExpoCMは最先端の忠実度と知覚精度を達成し、DDPM(1000ステップ)とDDIM(50ステップ)と比較して400$\times$および20$\times$以上の高速推論を可能にした。

関連論文リスト

• Physically Inspired Gaussian Splatting for HDR Novel View Synthesis [40.99906396910274]
  高ダイナミックレンジノベルビュー合成 (biased-NVS) は、マルチ露光低ダイナミックレンジ(LDR)ビューを融合することにより、ダイナミックディテールでシーンを再構築する。 トーンマップ結果の制約による暗黙的なHDR含量は,異常なHDR値の補正に失敗し,非露出領域におけるガウスの勾配が制限される。 本稿では,HDR-NVSフレームワークであるPhys-GSを紹介する。
  論文  参考訳（メタデータ） (2026-03-30T04:27:39Z)
• HDR Reconstruction Boosting with Training-Free and Exposure-Consistent Diffusion [18.322610131900696]
  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。
  論文  参考訳（メタデータ） (2026-02-23T10:57:22Z)
• 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)
• 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)
• Pano-NeRF: Synthesizing High Dynamic Range Novel Views with Geometry from Sparse Low Dynamic Range Panoramic Images [82.1477261107279]
  そこで本研究では,Sparse LDRパノラマ画像からの照射場を用いて,忠実な幾何復元のための観測回数を増やすことを提案する。 実験により、照射場は幾何復元とHDR再構成の両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-26T08:10:22Z)
• 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)
• Efficient HDR Reconstruction from Real-World Raw Images [16.54071503000866]
  エッジデバイス上の高解像度スクリーンは、効率的な高ダイナミックレンジ(HDR)アルゴリズムに対する強い需要を刺激する。 多くの既存のHDRメソッドは不満足な結果をもたらすか、計算資源やメモリ資源を消費する。 本研究では,生画像から直接HDRを再構成し,新しいニューラルネットワーク構造を探索する優れた機会を見出した。
  論文  参考訳（メタデータ） (2023-06-17T10:10:15Z)
• 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)

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。