基于深度估计的欠曝光LDR图像重建HDR图像制造技术

数码相机只能在有限的范围内捕捉真实场景的亮度。由于摄像机传感器的量化和饱和，高动态范围(HDR)数据中存在的纹理细节丢失，给后续基于图像的应用(深度估计等)带来了很大的困难。作为HDR图像重建效果的一个指标，LDR图像中反射的不正确色调引起的深度估计误差可以支持提高HDR图像生成网络的学习效率。因此，我们提出了一种由两个连接的CNN组成的端到端框架，用于HDR图像重建中最关键的问题。通过对基准和最近发布的具有挑战性的数据集进行大量的定量和定性实验，证明与最新的单图像HDR重建和深度估计算法相比，所提出的方法实现了非凡的性能。现了非凡的性能。

【技术实现步骤摘要】
基于深度估计的欠曝光LDR图像重建HDR图像


[0001]本专利技术涉及HDR图像的重建技术，将深度估计引入到图像重建的模型中，整个网络以无监督的学习方式，优于其他HDR图像重建方法。

技术介绍

[0002]数码相机只能在有限的范围内捕捉真实场景的亮度。由于摄像机传感器的量化和饱和，高动态范围(HDR)数据中存在的纹理细节丢失，给后续基于图像的应用(深度估计等)带来了很大的困。一幅具有适当亮度和色调的图像是估计场景深度的关键，与现有的基于学习的方法不同，本文提出的方法将深度估计引入到HDR图像重建的学习模型中，相互促进。作为HDR图像重建效果的一个指标，LDR图像中的不正确色调引起的深度估计误差可以支持提高HDR图像重建网络的学习效率。另一方面，良好的HDR图像也可以提高深度估计精度。因此，我们提出了一个由两个连接的CNN组成的端到端框架，用于HDR图像重建和深度估计。由于欠曝光图像是HDR图像重建中最关键的问题，本文主要研究由欠曝光LDR图像重建HDR图像。通过对基准和最近发布的具有挑战性的数据集进行大量的定量和定性实验，证明与最新的单图像H本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.本发明将HDR重建的知识和深度估计相结合来设计模型。发明的核心思路是将深度估计融入到HDR图像重建模型中，并开发两个相连的深度神经网络来解决每个任务，其特征在于，包括如下步骤：1)由于直接从8位LDR图像中推断出32位HDR图像的方法很难用于无监督的学习进行训练，本发明提出一种有效的方法来生成在曝光的LDR图像下生成HDR图像以及相应的精确深度图；2)本发明训练HDR重建网络与深度估计网络相结合，采用无监督的端到端训练策略，将深度估计融入到HDR图像重建模型中，并开发两个相连的深度网络来解决每个任务；3)本发明在卷积层和反卷积层之间增加了残差连接，用来在不同曝光图像之间传递信息，特征图包含了大量的图像细节，且其特征图能够在不同的曝光图像之间共享，这有助于反卷积层恢复更好的图像，此外，残差连接也可以将梯度反向传播到底部，便于更好的训练网络；4)本发明讨论深度损失函数对HDR图像和深度图像的影响，采用了消融研究的方法。2.根据权利要求1所述的生成HDR图像的方法，其特征在于，步骤1)包括：(1)将曝光不足的图像作为输入，推断出曝光率高于输入图像的LDR图像，每个LDR图像所记录的信息对应于真实场景中不同动态范围的内容；(2)输出曝光过度的图像...

【专利技术属性】
技术研发人员：张涛，梁杰，王昊，
申请(专利权)人：天津大学，
类型：发明
国别省市：