从频率视角生成 HDR 去鬼影内容
原文中文，约1900字，阅读约需5分钟。
📝
内容提要
本文提出了一种基于深度学习的框架，通过条件性去噪扩散模型从低动态范围（LDR）图像恢复高动态范围（HDR）图像。该方法利用注意力机制和特征对齐，减少虚影伪影，并引入新的损失函数以提高转换质量。实验证明，该方法在性能上达到最先进水平，具有良好的泛化能力。
🔎
延伸解读
扩散模型在HDR重建中的角色
文章将HDR去鬼影问题转化为基于图像生成的任务，利用条件性去噪扩散模型，以LDR特征为条件生成HDR图像。这种方法不同于传统的DNN直接映射，通过扩散模型的迭代去噪过程，能够更好地处理饱和和大动作场景，减少虚影伪影。
关键组件如何抑制伪影
特征条件生成器利用注意力和域特征对齐层转换中间特征，避免虚影伪影；滑动窗口噪声估计器以块为单位平滑噪声采样，减轻LDR饱和引起的语义混淆；图像空间损失函数则防止色彩失真。这些设计共同提升了转换质量。
性能与泛化能力
在HDR成像基准数据集上的实验表明，该方法达到了最先进的性能，并且对真实世界图像具有良好的泛化能力。这意味着该框架不仅适用于受控实验环境，也有潜力处理实际场景中的复杂光照条件。
❓
Q&A
如何从低动态范围图像恢复高动态范围图像？
可以通过条件性去噪扩散模型，利用LDR特征作为条件生成HDR图像。
该方法如何解决虚影伪影问题？
通过特征条件生成器使用注意力机制和域特征对齐层来避免虚影伪影。
引入的新损失函数有什么作用？
新的图像空间损失函数用于避免HDR结果的色彩失真。
该方法的性能如何？
实验证明该方法在性能上达到最先进水平，并具有良好的泛化能力。
滑动窗口噪声估计器的作用是什么？
它用于减轻LDR图像饱和问题引起的语义混淆。
该研究的主要贡献是什么？
提出了一种基于深度学习的框架，能够有效恢复HDR图像并减少伪影。
🏷️
