論文の概要: Dual-Output Multi-Exposure HDR Reconstruction via SDR Fusion and Gain Map Inverse Tone Mapping

• arxiv url: http://arxiv.org/abs/2608.05626v1
• Date: Thu, 06 Aug 2026 05:46:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.824978
• Title: Dual-Output Multi-Exposure HDR Reconstruction via SDR Fusion and Gain Map Inverse Tone Mapping
• Title（参考訳）: SDRフュージョンとゲインマップ逆トーンマッピングによる二重出力多重露光HDR再構成
• Abstract要約: 本稿では,両出力マルチ露光HDR再構成フレームワークであるDOME-Adaptedを提案し,Greymap逆トーンマッピングを用いて,バランスの取れたSDR画像と一貫したHDR画像とを共同で生成する。 二重対向核融合モジュールは、安定のために中間露光時にアンダー露光画像とオーバー露光画像から構造とカラーキューを注入する。
• 参考スコア（独自算出の注目度）: 28.920595045171208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose DOME-HDR, a dual-output multi-exposure HDR reconstruction framework that jointly produces a perceptually balanced SDR image and a consistent HDR image via gain map inverse tone mapping. Given three bracketed LDR inputs, DOME-HDR first synthesizes a base SDR using a LoRA-adapted latent diffusion model. A dual cross-attention fusion module injects complementary structural and color cues from the under- and over-exposed images while anchoring on the mid exposure for stability. The synthesized SDR then guides HPGM, our HDR Prior-guided Gain Map network, to predict a spatially varying gain map for reliable dynamic-range expansion. We evaluate on Kalantari, Tel, and Challenge123 using both full-reference and no-reference metrics, where DOME-HDR achieves state-of-the-art HDR reconstruction quality; ablations further confirm the effectiveness of dual cross-attention and SDR-guided gain map estimation.
• Abstract（参考訳）: 本稿では,両出力マルチ露光HDR再構成フレームワークであるDOME-HDRを提案する。 3つのブラケットのLDR入力が与えられた後、DOME-HDRはLoRA適応潜在拡散モデルを用いてベースSDRを合成する。 二重対向核融合モジュールは、安定のために中間露光時にアンダー露光された画像から補構造とカラーキューを注入する。 合成SDRはHDRプリエント誘導ゲインマップネットワークであるHPGMを誘導し、信頼性の高いダイナミックレンジ展開のための空間的に変化するゲインマップを予測する。 我々は,DOME-HDRが最先端HDR再構築の質を達成し,さらに2つのクロスアテンションとSDR誘導ゲインマップ推定の有効性を検証し,Kalantari,Tel,Challenge123をフル参照とノン参照の両方を用いて評価した。

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)
• 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)
• 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)
• HDR-GS: Efficient High Dynamic Range Novel View Synthesis at 1000x Speed via Gaussian Splatting [76.5908492298286]
  既存のHDR NVS法は主にNeRFに基づいている。 訓練時間は長く、推論速度は遅い。 我々は新しいフレームワークHigh Dynamic Range Gaussian Splatting (-GS)を提案する。
  論文  参考訳（メタデータ） (2024-05-24T00:46:58Z)
• 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)
• 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)
• Hybrid Saturation Restoration for LDR Images of HDR Scenes [18.61019008000831]
  本稿では,LDR画像の飽和領域をモデルベースおよびデータ駆動アプローチの融合により復元する。 2つの合成LDR画像は、まずモデルベースアプローチにより基礎となるLDR画像から生成される。 1つは、入力画像よりも明るく、もう1つは、シャドウ領域を復元し、もう1つは、入力画像よりも暗く、高照度領域を復元する。
  論文  参考訳（メタデータ） (2021-11-11T03:20:32Z)
• NTIRE 2021 Challenge on High Dynamic Range Imaging: Dataset, Methods and Results [56.932867490888015]
  本稿では,CVPR 2021と共同で開催されているニュートレンド・イメージ・リカバリ・エンハンスメント(NTIRE)ワークショップ(New Trends in Image Restoration and Enhancement, NTIRE)におけるハイダイナミックレンジイメージングの課題について概説する。 この課題は、1つまたは複数の低ダイナミックレンジ(LDR)観測からHDR画像を推定することを目的としている。
  論文  参考訳（メタデータ） (2021-06-02T19:45:16Z)
• A Two-stage Deep Network for High Dynamic Range Image Reconstruction [0.883717274344425]
  本研究では,新しい2段階深層ネットワークを提案することにより,シングルショットLDRからHDRマッピングへの課題に取り組む。 提案手法は,カメラ応答機能(CRF)や露光設定など,ハードウェア情報を知ることなくHDR画像の再構築を図ることを目的とする。
  論文  参考訳（メタデータ） (2021-04-19T15:19:17Z)
• 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)

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。