逆トーンマッピングのための深いHDR幻覚

逆トーンマッピング（ITM）メソッドは、低ダイナミックレンジ（LDR）画像コンテンツから高いダイナミックレンジ（HDR）情報を再構築しようとします。適切に露出された領域の動的範囲を拡張する必要があり、過剰/露出不足のために欠落している情報はすべて回復する必要があります（幻覚）。メソッドの大部分は前者に焦点を当てており、比較的成功していますが、後者のほとんどの試みは十分な品質ではなく、畳み込みニューラルネットワーク（CNNS）に基づいたものでもあります。一部の作品の入力品質を低下させるための主要な要因は、損失関数の選択です。生成敵のネットワーク（GANS）に基づく作業は、画像合成とLDRの開始の有望な結果を示しており、GANの損失が逆トーンマッピングの結果を改善できることを示唆しています。この作業は、LDR画像の不十分に露出した領域からの欠落情報を幻覚するGANベースの方法を提示し、その有効性を代替のバリエーションと比較します。提案された方法は、最先端の逆トーンマッピング方法と定量的に競争力があり、露出した領域のダイナミックレンジの良好な拡張と、飽和していない領域と露出されていない領域のもっともらしい幻覚を提供します。HDRコンテンツをターゲットにした密度ベースの正規化方法も提案されており、HDR幻覚を対象としたHDRデータ増強方法も提案されています。

Inverse Tone Mapping (ITM) methods attempt to reconstruct High Dynamic Range (HDR) information from Low Dynamic Range (LDR) image content. The dynamic range of well-exposed areas must be expanded and any missing information due to over/under-exposure must be recovered (hallucinated). The majority of methods focus on the former and are relatively successful, while most attempts on the latter are not of sufficient quality, even ones based on Convolutional Neural Networks (CNNs). A major factor for the reduced inpainting quality in some works is the choice of loss function. Work based on Generative Adversarial Networks (GANs) shows promising results for image synthesis and LDR inpainting, suggesting that GAN losses can improve inverse tone mapping results. This work presents a GAN-based method that hallucinates missing information from badly exposed areas in LDR images and compares its efficacy with alternative variations. The proposed method is quantitatively competitive with state-of-the-art inverse tone mapping methods, providing good dynamic range expansion for well-exposed areas and plausible hallucinations for saturated and under-exposed areas. A density-based normalisation method, targeted for HDR content, is also proposed, as well as an HDR data augmentation method targeted for HDR hallucination.