論文の概要: ExpandDiff: Dynamic Range Expanding Diffusion for Single-Image HDR Reconstruction
- arxiv url: http://arxiv.org/abs/2609.39624v1
- Date: Wed, 30 Sep 2026 12:35:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.762031
- Title: ExpandDiff: Dynamic Range Expanding Diffusion for Single-Image HDR Reconstruction
- Title（参考訳）: 拡張Diff:シングルイメージHDR再構成のためのダイナミックレンジ拡張拡散
- Abstract要約: 本稿では,カットした影とハイライトを共同で再構成する条件拡散パイプラインExpandDiffを提案する。
空間適応正規化により導かれる画素空間拡散モデルにより、有界出力ヘッドを介して知覚的に符号化されたHDRを予測する。
- 参考スコア（独自算出の注目度）: 58.13891463283307
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Single-image HDR reconstruction requires inferring missing detail while preserving the visible content of an LDR image. Differences in sensor dynamic range and exposure cause LDR images to lose varying amounts of information in shadows and highlights. We present ExpandDiff, a conditional diffusion pipeline that jointly reconstructs clipped shadows and highlights. To account for this variation, we introduce Dynamic Clipping Synthesis (DCS), which randomly samples shadow and highlight clipping percentiles when constructing training inputs from HDR targets. A pixel-space diffusion model guided by spatially-adaptive normalization then predicts perceptually encoded HDR through a bounded output head, reconstructing both clipping directions in one sampling trajectory. On the SI-HDR benchmark, ExpandDiff variants improve HDR reconstruction accuracy by 3.43 dB in PU21-PSNR over the strongest evaluated competing method, and by 7.34 dB under two-sided clipping. The code and supplementary material are available at https://memreandiran.github.io/expanddiff/.
- Abstract（参考訳）: シングルイメージのHDR再構成では、LDR画像の可視性を維持しながら詳細を推測する必要がある。
センサーのダイナミックレンジと露出の違いにより、LDR画像は影やハイライトで様々な情報を失う。
本稿では,カットした影とハイライトを共同で再構成する条件拡散パイプラインExpandDiffを提案する。
この変動を考慮し、HDRターゲットからのトレーニング入力を構築する際に、ランダムにシャドウをサンプリングし、クリッピングパーセンタイルをハイライトする動的クリッピング合成(DCS)を導入する。
空間適応正規化で導かれる画素空間拡散モデルにより、有界出力ヘッドを介して知覚的に符号化されたHDRを予測し、両方のクリッピング方向を1つのサンプリング軌道で再構成する。
SI-HDRベンチマークでは,最大評価競合法であるPU21-PSNRの3.43dB,両面クリッピング法で7.34dBのHDR再構成精度が向上した。
コードと補足資料はhttps://memreandiran.github.io/expanddiff/で公開されている。
関連論文リスト
- InstantHDR: Single-forward Gaussian Splatting for High Dynamic Range 3D Reconstruction [48.64335106961342]
既存のHDRパイプラインは、既知のカメラのポーズ、よく校正された高密度ポイントクラウド、シーンごとの時間的最適化に依存している。
現在のフィードフォワード代替品は、露出イン外観を仮定してHDR問題を見落としている。
フィードフォワードネットワークであるInstantを提案する。これは、1つのフォワードパスで非校正多重露光LDRコレクションから3次元HDRシーンを再構成する。
論文 参考訳（メタデータ） (2026-03-11T20:51:47Z) - X2HDR: HDR Image Generation in a Perceptually Uniform Space [37.83280929526874]
高ダイナミックレンジフォーマットとディスプレイはますます普及しているが、最先端の画像生成装置は低ダイナミックレンジ(LDR)出力に限定されている。
既存の事前学習拡散モデルでは,スクラッチから再学習することなく,HDR生成に容易に適応できることを示す。
論文 参考訳（メタデータ） (2026-02-04T17:59:51Z) - 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) - 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。