曝光扩散：通过一致的低动态范围去噪生成高动态范围图像
内容提要
该研究提出了一种基于深度学习的框架，利用条件性去噪扩散概率模型（DDPM）和深度卷积神经网络（CNN），从低动态范围（LDR）图像恢复高动态范围（HDR）图像。新方法有效解决了虚影伪影问题，实验结果表明其性能优于传统方法，且具有良好的泛化能力。
延伸解读
扩散模型如何解决HDR去伪影难题
传统基于DNN的HDR重建方法在LDR图像存在饱和或大运动时容易产生虚影伪影。本文提出的条件性去噪扩散概率模型（DDPM）框架，将HDR去伪影转化为图像生成问题，利用LDR特征作为扩散模型的条件，通过特征条件生成器和噪声预测器，在随机迭代去噪过程中生成HDR图像，从而有效避免伪影。
关键组件：滑动窗口噪声估计与图像空间损失
为减轻LDR图像饱和引起的语义混淆，作者设计了滑动窗口噪声估计器，以块为单位进行平滑噪声采样。同时，引入图像空间损失来避免估计的HDR结果出现色彩失真。这些组件共同提升了LDR-HDR转换的质量，使方法在基准数据集上达到最先进水平。
方法优势与泛化能力
实验表明，该扩散条件方法在性能上优于传统方法，并且对真实世界图像具有良好的泛化能力。作者指出，简单的基于扩散的条件方法可以取代复杂的基于相机管线的架构，这为HDR成像提供了一种更简洁有效的解决方案。
Q&A
该研究提出了什么新方法来恢复高动态范围图像？
该研究提出了一种基于条件性去噪扩散概率模型（DDPM）和深度卷积神经网络（CNN）的框架，从低动态范围（LDR）图像恢复高动态范围（HDR）图像。
新方法如何解决虚影伪影问题？
新方法利用LDR特征作为扩散模型的条件，避免在LDR图像存在饱和度和大动作时生成的伪影。
该研究引入了什么新的技术来改善图像质量？
研究引入了一种新的损失函数和滑动窗口噪声估计器，以改善LDR-HDR转换任务的结果质量。
实验结果显示该方法的性能如何？
实验结果表明该方法在性能上达到了最先进水平，并且对真实世界图像具有良好的泛化能力，超越了传统方法。
该方法在处理真实世界图像时的优势是什么？
该方法对真实世界图像具有良好的泛化能力，能够有效重建出逼真的HDR图像。
该研究的核心贡献是什么？
该研究的核心贡献是提出了一种新的深度学习框架，能够有效地从LDR图像恢复HDR图像，并解决了传统方法中的伪影问题。
