論文の概要: LatentHDR: Decoupling Exposure from Diffusion via Conditional Latent-to-Latent Mapping for Text/Image-to-Panoramic HDR

• arxiv url: http://arxiv.org/abs/2605.11115v1
• Date: Mon, 11 May 2026 18:24:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.352829
• Title: LatentHDR: Decoupling Exposure from Diffusion via Conditional Latent-to-Latent Mapping for Text/Image-to-Panoramic HDR
• Title（参考訳）: LatentHDR: テキスト/画像/パノラマHDRのための条件付き遅延-潜時マッピングによる拡散のデカップリング
• Authors: Pedram Fekri, WenChen Li, William Chen, Peter Altamirano,
• Abstract要約: Latentは、潜在空間における露光モデリングからシーン生成を分離するフレームワークである。 事前訓練された拡散バックボーンは、単一のコヒーレントなシーン表現を生成し、条件付き遅延 to-latent は、それを露光特有の表現にマッピングする。
• 参考スコア（独自算出の注目度）: 7.699676653195592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High Dynamic Range (HDR) generation remains challenging for generative models, which are largely limited to low dynamic range outputs. Recent diffusionbased approaches approximate HDR by generating multiple exposure-conditioned samples, incurring high computational cost and structural inconsistencies across exposures. We propose LatentHDR, a framework that decouples scene generation from exposure modeling in latent space. A pretrained diffusion backbone produces a single coherent scene representation, while a lightweight conditional latent to-latent head deterministically maps it to exposure-specific representations. This enables the generation of a dense, structurally consistent exposure stack in a single pass. This design eliminates multi-pass diffusion, ensures cross-exposure alignment, and enables scalable HDR synthesis. LatentHDR supports both textand image-conditioned HDR generation for perspective and panoramic scenes. Experiments on synthetic data and the SI-HDR benchmark show that LatentHDR achieves state-of-the-art dynamic range with competitive perceptual quality, while reducing computation by an order of magnitude. Our results demonstrate that high-quality HDR generation can be achieved through structured latent modeling, challenging the need for stochastic multi-exposure generation.
• Abstract（参考訳）: 高ダイナミックレンジ(HDR)生成は、低ダイナミックレンジ出力に限られる生成モデルでは依然として困難である。 近年の拡散型アプローチでは、複数の露光条件のサンプルを生成し、高い計算コストと露出間の構造的不整合を生じさせる。 遅延空間における露光モデルからシーン生成を分離するフレームワークであるLatentHDRを提案する。 事前訓練された拡散バックボーンは単一のコヒーレントシーン表現を生成し、軽量な条件付きラテントヘッドは露光特有の表現に決定的にマッピングする。 これにより、高密度で構造的に一貫した露光スタックを単一パスで生成することができる。 この設計はマルチパス拡散を排除し、クロス露光アライメントを確保し、スケーラブルなHDR合成を可能にする。 LatentHDRは、視点とパノラマシーンのためのテキストと画像条件付きHDR生成の両方をサポートする。 合成データとSI-HDRベンチマークの実験により、LatentHDRは競合する知覚的品質を持つ最先端のダイナミックレンジを達成し、計算を桁違いに削減することを示した。 この結果から,構造化潜在モデルにより高品質なHDR生成を実現することができ,確率的マルチ露光生成の必要性に挑戦できることがわかった。

関連論文リスト

• ExpoCM: Exposure-Aware One-Step Generative Single-Image HDR Reconstruction [60.873186669266836]
  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。
  論文  参考訳（メタデータ） (2026-05-04T11:06:49Z)
• HDR-NSFF: High Dynamic Range Neural Scene Flow Fields [25.023351117641358]
  HDR-NSFFは2次元の融合から4次元の時間モデルへのパラダイムシフトである。 実験により、HDR-NSFFは、挑戦的な露光変動の下でも詳細な放射コヒーレントダイナミクスを回復することが示された。 動的HDRシーンに特化して設計された,世界初の実世界のHDR-GoProデータセットを提示する。
  論文  参考訳（メタデータ） (2026-03-09T12:36:46Z)
• Dynamic Novel View Synthesis in High Dynamic Range [78.72910306733607]
  現在の手法は主に静的なシーンに焦点を当てており、すべてのシーン要素が静止していて生きていないことを暗黙的に仮定している。 HDR-4DGSは,革新的な動的トーンマッピングモジュールを備えたガウススプラッティング方式のアーキテクチャである。 実験により、HDR-4DGSは、定量的性能と視覚的忠実度の両方において、既存の最先端手法を超越していることが示された。
  論文  参考訳（メタデータ） (2025-09-26T04:29:22Z)
• 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)
• Bracket Diffusion: HDR Image Generation by Consistent LDR Denoising [29.45922922270381]
  複数のブラックボックス, 事前学習されたLDR画像拡散モデルの協調動作を用いたHDR画像の生成を実演する。 有効なHDR結果を生成する複数のLDRブラケットを生成するために,複数の復調処理を運用する。 現状未条件および条件回復型(LDR2)生成モデルの結果は,まだHDRでは示されていない。
  論文  参考訳（メタデータ） (2024-05-23T08:24:22Z)
• 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)
• 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。