SAFNet：用于高效 HDR 成像的选择性对齐融合网络
内容提要
本文介绍了多种基于深度学习的图像处理算法，包括轻量级神经网络EAPNet、图像融合算法和高动态范围成像网络AHDR。这些方法在图像质量和处理效率上优于现有技术，尤其在HDR图像重建和目标检测方面表现突出。
延伸解读
HDR成像技术演进：从监督到自监督
文章梳理了HDR成像网络的发展脉络，早期方法如AHDR依赖注意力机制引导LDR图像合并，避免光流误差；ADNet引入变形卷积处理多帧对齐。随后SelfHDR提出自监督训练，仅需动态多曝光图像，无需标签数据，降低了数据依赖。这一演进显示HDR重建正从依赖精确对齐和大量标注，转向更灵活、自适应的学习范式。
效率与实时部署的平衡策略
在追求图像质量的同时，多个工作关注计算效率。EAPNet通过轻量级编码和动态调整模块，在MAccs上压缩约20倍；CEN-HDR结合注意力与子像素卷积，并利用知识蒸馏压缩网络，在Macbook M1 NPU上达到33 FPS，满足实时约束。这表明HDR算法正逐步向移动端和嵌入式设备部署迈进。
多模态与跨任务的技术迁移
文章不仅涵盖HDR成像，还涉及图像融合和三维目标检测。例如，基于神经架构搜索的图像融合算法通过自对准和细节补全实现高效融合；SAFDNet针对完全稀疏的三维目标检测设计自适应特征扩散策略。这些方法共享对齐、融合和注意力机制等核心思想，体现了底层视觉任务之间的技术互通性。
Q&A
EAPNet 网络的主要特点是什么？
EAPNet 是一种轻量级神经网络，采用多维轻量级编码模块提取特征，并通过 PDUB 模块动态调整 MAccs 和 PSNR 的性能。
AHDR 网络如何提高图像质量？
AHDR 网络采用注意力模块引导合并 LDR 图像，避免光流估计误差引起的伪影问题，从而提高图像质量。
SelfHDR 方法的优势是什么？
SelfHDR 方法仅需动态多曝光图像进行训练，消除对有标签数据的需求，并在真实世界图像上表现优于最先进的自监督方法。
HyHDRNet 网络的主要功能是什么？
HyHDRNet 网络实现低动态范围图像转高动态范围图像的时空去影与融合，取得了更优的定量和定性效果。
CEN-HDR 网络的训练方案有什么特点？
CEN-HDR 网络结合注意力机制和子像素卷积操作，使用知识蒸馏进行网络压缩，速度更快且可实时部署。
SAFDNet 网络在三维目标检测中的应用效果如何？
SAFDNet 网络在长距离检测场景中证明了其有效性，适用于完全稀疏的三维目标检测。
