論文の概要: Reframing Video Inverse Tone Mapping as Blind Posterior Inference via Latent Luminance Supervision
- arxiv url: http://arxiv.org/abs/2611.15146v1
- Date: Wed, 11 Nov 2026 07:36:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.075289
- Title: Reframing Video Inverse Tone Mapping as Blind Posterior Inference via Latent Luminance Supervision
- Title(参考訳): ラテントルミナンス・スーパービジョンによるブラインド後部推論としてのビデオ逆トーンマッピング
- Abstract要約: アーカイブ映像、放送資料、生成ビデオモデルの出力など、ほとんどのビデオコンテンツは、標準ダイナミックレンジ(SDR)にのみ存在する。
SDRをHDRに変換することは、記録されていないトーンマッピング操作を解除することであり、クリッピングはそれが作用する場所の放射を破壊します。
我々は、SDRを明示的なトーン作用素の族を通して訓練するので、モデルは観測が示せないものに対して余分な偏差を与える。
- 参考スコア(独自算出の注目度): 12.776503314102412
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-dynamic-range (HDR) displays are now common, but most video content, such as archival footage, broadcast material, and the output of generative video models, exists only in standard dynamic range (SDR). The need is sharpest for generated video, which has no HDR master at all and is graded alongside live-action and visual-effects material finished in HDR. Converting SDR to HDR means undoing a tone-mapping operation that was never recorded, and clipping destroys the radiance wherever it acts, so HDR recovery is a blind inverse problem. Methods built on generative video priors fill clipped regions with plausible structure, but their reconstructions are systematically biased: in every public method we test, saturated content leans too bright or too dark, and the direction of the lean moves with the tone operator behind the input. We call this failure the luminance error, measure both its magnitude and its sign, and make it the focus of this work. Reframing ITM as posterior inference under an unknown operator locates the failure in two places and yields two corrections. A fixed affine functional of the video-diffusion latent reads log-luminance without decoding; on that coordinate an asymmetric loss selects an expectile of the posterior, applied only where clipping leaves luminance unconstrained. We also synthesize training SDR through an explicit family of tone operators, so the model marginalizes over what the observation cannot show. Trained this way, our luminance error stays flatter across operators and smaller on average than any public method, and the full system achieves the best perceptual quality on all three benchmarks.
- Abstract(参考訳): ハイダイナミックレンジ(HDR)ディスプレイは現在一般的なものとなっているが、ほとんどのビデオコンテンツ、例えばアーカイブ映像、放送資料、生成ビデオモデルの出力は、標準ダイナミックレンジ(SDR)にのみ存在する。
HDRマスターが全くなく、ライブアクションと視覚効果の素材がHDRで完成する。
SDRをHDRに変換することは、記録されていないトーンマッピング操作を解除することを意味し、クリッピングは、それが作用する場所の放射能を破壊するので、HDR回復は盲点逆問題である。
私たちがテストするすべての公開手法では、飽和したコンテンツはあまりにも明るくなりすぎるか暗くなり、リーンの方向は入力の背後のトーン演算子とともに動きます。
この失敗を輝度エラーと呼び、その大きさと兆候を計測し、この作業の焦点にします。
未知の演算子の下での後方推論としてのIMMのリフレーミングは、障害を2つの場所に配置し、2つの補正を行う。
ビデオ拡散潜水器の固定アフィン関数は復号することなく対数輝度を読み出し、その座標上で非対称な損失は、クリッピング葉輝度が拘束されない場合にのみ適用される後部の期待値を選択する。
また,SDRの学習を明示的な音調演算子群を通じて合成するので,観測が示せないものに対して,モデルが差分化する。
このように訓練され、我々の輝度誤差は演算子間でより平坦で、どのパブリックメソッドよりも小さく、フルシステムは3つのベンチマークで最高の知覚品質を達成する。
関連論文リスト
- ExpandDiff: Dynamic Range Expanding Diffusion for Single-Image HDR Reconstruction [58.13891463283307]
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。
論文 参考訳(メタデータ) (2026-09-30T12:35:04Z) - High Dynamic Range Video Reconstruction from Single-Exposure Raw Sequences [40.396632652616624]
RawVは、単一露光RawビデオHDR再構成のためのエンドツーエンドフレームワークである。
ベイアデータの線形応答とチャネル固有特性を利用する。
論文 参考訳(メタデータ) (2026-09-23T03:01:47Z) - LumaFlux: Lifting 8-Bit Worlds to HDR Reality with Physically-Guided Diffusion Transformers [33.647308897653396]
本稿では,SDR-to-Reconstructionのための第1の物理的および知覚的に誘導される変換器であるLumaFluxを紹介する。
ベンチマーク全体では、LumaFluxは最先端のベースラインよりも優れており、優れた輝度再構成と知覚的な色忠実性を実現している。
論文 参考訳(メタデータ) (2026-04-03T06:54:52Z) - 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) - Online Overexposed Pixels Hallucination in Videos with Adaptive
Reference Frame Selection [90.35085487641773]
低ダイナミックレンジ(LDR)カメラは広いダイナミックレンジ入力に対応できず、しばしば局所的な露出問題を引き起こす。
複雑な処理機構を使わずにこれらの成果物を削減できる学習ベースシステムを提案する。
論文 参考訳(メタデータ) (2023-08-29T17:40:57Z) - Learning a Practical SDR-to-HDRTV Up-conversion using New Dataset and
Degradation Models [4.0336006284433665]
メディア業界では、HDR-WCG(ハイダイナミックレンジワイドカラーガム)を使用すると、SDR-TVアップコンバージョンが要求される。
現在の手法では、薄暗く不飽和な結果をもたらす傾向があり、視聴体験をほとんど改善しない。
我々は,新しいHDRTVデータセット(HDRTV4K)と新しいHDR-to-SDRモデルを提案する。
論文 参考訳(メタデータ) (2023-03-23T04:40:33Z) - Unsupervised HDR Image and Video Tone Mapping via Contrastive Learning [19.346284003982035]
教師なし画像とビデオトーンマッピングのための統合フレームワーク(IVTMNet)を提案する。
ビデオトーンマッピングでは,時間的相関を効率的に活用するための時間的特徴置換(TFR)モジュールを提案する。
実験結果から,本手法は最先端画像やビデオトーンマッピング法よりも優れていた。
論文 参考訳(メタデータ) (2023-03-13T17:45:39Z) - 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) - 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。