論文の概要: Prior-Guided Single-Exposure HDR Novel View Synthesis via Base-Gain Representation

• arxiv url: http://arxiv.org/abs/2610.41011v1
• Date: Thu, 29 Oct 2026 21:44:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.501441
• Title: Prior-Guided Single-Exposure HDR Novel View Synthesis via Base-Gain Representation
• Title（参考訳）: ベースゲイン表現による事前誘導単一露光HDR新規ビュー合成
• Abstract要約: 単一露光高ダイナミックレンジ(NVS)は、単一の露光でキャプチャされた低ダイナミックレンジ(LDR)ビューからHDRシーンを回復する。 HDRの地上構造がなければ、単一露光LDRビューをHDR再建の直接監督の唯一の源として使用する。 我々は,3次元ベースゲインHDR表現を導入し,HDR放射をLDRベースとオーバーレイド3Dゲインフィールドに分解し,ロバスト性を向上し,3次元HDR外観編集を可能にする。
• 参考スコア（独自算出の注目度）: 8.82610244632675
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-exposure high dynamic range (HDR) novel view synthesis (NVS) recovers HDR scenes from low dynamic range (LDR) views captured at a single exposure and estimates camera response function (CRF) for LDR re-exposure. Without HDR ground-truth, using single-exposure LDR views as the sole source of direct supervision underconstrains HDR reconstruction and cannot ensure its faithful recovery, motivating the need for learned LDR-to-HDR reconstruction priors. Moreover, single-exposure LDR views supervise CRF only over a limited range, necessitating a learnable prior for reliable re-exposure beyond it. We propose PriorGS, a 3D Gaussian Splatting framework that addresses both challenges by (1) guiding HDR recovery with pseudo-HDR supervision from 2D single-exposure HDR reconstruction methods while anchoring it to input LDR views through a closed reconstruction loop; and (2) regularizing CRF modeling with a learnable prior that guarantees monotonicity and promotes plausible responses. Yet cross-view inconsistencies in independently generated pseudo-HDR targets impair scene reconstruction when HDR is encoded directly as Gaussian's color attribute. We therefore introduce a 3D base-gain HDR representation that factors HDR radiance into an LDR base and an overlaid 3D gain field, promoting robustness to such inconsistencies and enabling 3D HDR appearance editing. Extensive experiments demonstrate PriorGS's substantial superiority over baselines.
• Abstract（参考訳）: 単一露光高ダイナミックレンジ(HDR)新規ビュー合成(NVS)は、単一露光で捉えた低ダイナミックレンジ(LDR)ビューからHDRシーンを復元し、LDR再露光のためのカメラ応答関数(CRF)を推定する。 HDRの基盤構造がなければ、単一露光LDRビューはHDR再建の直接監督の唯一の源であり、その忠実な回復を保証することができず、学習されたLDRからHDRへの再構築前の必要性を動機づける。 さらに、単一露光LDRビューは、限られた範囲でのみCRFを監督し、それを超える信頼できる再露光のために学習可能な事前を必要とする。 我々は,(1) 単一露光HDR再構成法からHDRリカバリを誘導し, 閉ループを通したLDRビューの入力にアンロックしつつ, 1 つの単一露光HDR再構成法から擬似HDRリカバリを誘導し, 2 つの課題に対処する3次元ガウススティングフレームワークである PredorGS を提案する。 しかし、独立に生成された擬似HDRにおけるクロスビューの不整合は、HDRがガウス色属性として直接符号化されると、シーン再構成を損なう。 したがって、3DベースゲインHDR表現を導入し、HDR放射をLDRベースとオーバーレイド3Dゲインフィールドに分解し、そのような不整合に対するロバスト性を促進し、3DHDR外観編集を可能にする。 大規模な実験は、ベースラインよりもPreferGSのかなりの優位性を示している。

関連論文リスト

• Dual-Output Multi-Exposure HDR Reconstruction via SDR Fusion and Gain Map Inverse Tone Mapping [28.920595045171208]
  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。
  論文  参考訳（メタデータ） (2026-08-06T05:46:23Z)
• 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)
• High Dynamic Range Novel View Synthesis with Single Exposure [43.50001955428593]
  高ダイナミックレンジノベルビュー合成(NV-NVS)は,低ダイナミックレンジ(LDR)画像から3次元シーンHDRモデルを構築することを目的としている。 トレーニング期間中に初めて、単一の露光LDRイメージが利用可能になった。
  論文  参考訳（メタデータ） (2025-05-02T12:04:38Z)
• 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)
• 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)
• Beyond Visual Attractiveness: Physically Plausible Single Image HDR Reconstruction for Spherical Panoramas [60.24132321381606]
  我々は,単発hdr再構成フレームワークに物理的照度制約を導入する。 本手法は,視覚に訴えるだけでなく,物理的に妥当なHDRを生成することができる。
  論文  参考訳（メタデータ） (2021-03-24T01:51:19Z)
• 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。