HDRTransDC：基于 Transformer 变形卷积的高动态范围图像重建
原文中文，约1600字，阅读约需4分钟。
📝
内容提要
本文提出了一种基于CNN和双重Transformer的HDT-HDR方法，用于从低动态范围（LDR）图像生成高动态范围（HDR）图像，能够有效去除虚影。该方法在图像质量和计算成本上优于现有技术，具有良好的泛化能力。
🔎
延伸解读
从对齐到生成：HDR去伪影的思路转变
文章指出，传统基于DNN的HDR重建方法在LDR图像存在饱和度和大动作时仍会产生虚影伪影。为此，作者将HDR去伪影问题转化为基于图像生成的问题，利用扩散模型，以LDR特征为条件生成HDR图像。这种思路不再依赖精确对齐，而是通过生成过程避免伪影，为真实场景应用提供了新方向。
双重Transformer与扩散模型的结合
HDT-HDR方法结合了CNN和双重Transformer，能够同时提取全局和局部特征。在扩散模型中，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，噪声预测器则通过随机迭代去噪生成HDR图像。这种设计旨在兼顾长距离依赖和局部细节，从而提升重建质量并去除虚影。
针对饱和与色彩失真的专门设计
为减轻LDR图像饱和引起的语义混淆，文章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，提出图像空间损失来避免估计的HDR结果出现色彩失真。这些针对性设计表明，该方法在解决HDR重建中的典型难题上做了细致考量，有助于提升最终图像的视觉质量。
❓
Q&A
HDT-HDR方法的主要特点是什么？
HDT-HDR方法基于CNN和双重Transformer，能够同时提取全局和局部特征，有效去除虚影。
HDT-HDR方法如何解决虚影问题？
该方法通过特征条件生成器和噪声预测器，利用LDR特征作为扩散模型的条件，解决虚影伪影问题。
HDT-HDR方法在图像质量和计算成本上表现如何？
实验结果表明，HDT-HDR方法在图像质量和计算成本上均优于现有技术。
该方法的泛化能力如何？
HDT-HDR方法对真实世界图像具有良好的泛化能力。
HDT-HDR方法使用了哪些技术？
该方法使用了深度神经网络、Transformer等技术。
如何减轻LDR图像饱和问题引起的语义混淆？
通过设计滑动窗口噪声估计器，以块为单位进行平滑噪声采样来减轻语义混淆。
🏷️
