PanDORA：室内景物的休闲高动态范围辐射采集
内容提要
本研究提出了一种基于学习的逆色调映射方法，利用深度自动编码器从低动态范围图像恢复高动态范围数据，验证其在户外环境映射和图像匹配中的实用性。同时介绍了高动态范围神经辐射场（HDR-NeRF）及相关技术，以提升图像合成和照明估计效果。
延伸解读
从LDR到HDR：逆色调映射的技术路径
文章指出，基于深度自动编码器的逆色调映射方法能够从非线性、饱和的低动态范围全景图中回归出线性的高动态范围数据。这一技术路径的核心在于利用学习模型弥补LDR图像在亮度范围和细节上的缺失，从而支持户外环境映射和图像匹配等应用。与直接捕获HDR数据相比，该方法降低了硬件成本，但可能受限于训练数据的分布和泛化能力。
HDR-NeRF与动态场景重建的进展
高动态范围神经辐射场（HDR-NeRF）通过模拟亮度场和色调映射器等物理成像参数，实现了在不同曝光条件下生成新的HDR和LDR图像。在此基础上，HDR-HexPlane框架进一步支持从不同曝光的动态2D图像中学习3D场景，并能在任意时间点生成所需曝光的新视图。这些进展表明，HDR与NeRF的结合正从静态场景向动态场景扩展，为虚拟现实和电影制作提供了更灵活的曝光控制。
室内HDR照明估计与编辑的实用化
文章介绍了一种从单张低动态范围有限视场图像生成室内全景HDR照明的新框架，其核心是耦合双StyleGAN的全景合成网络（StyleLight）。该框架结合LDR和HDR全景合成，在室内HDR全景照明估计方面表现出优秀性能。这意味着用户仅需一张普通照片即可获得可编辑的HDR光照环境，大幅降低了专业HDR采集的门槛，但生成质量可能依赖于训练数据的多样性和网络容量。
RawNeRF与实时HDR渲染的探索
RawNeRF技术可以直接从线性原始图像中训练，生成高动态范围的新视角合成图像，尤其擅长重构低光照条件下极其嘈杂的原始图像所代表的场景。此外，基于3D高斯喷墨技术的轻量级方法利用多视图LDR图像，通过变化的曝光时间、光圈和聚焦距离重建HDR光辐射场，实现灵活的重焦渲染，并在实时电影渲染中表现出优异性能。这些工作展示了HDR渲染在效率和质量上的平衡趋势。
Q&A
什么是逆色调映射方法？
逆色调映射方法是一种基于学习的技术，利用深度自动编码器从低动态范围图像恢复高动态范围数据。
高动态范围神经辐射场（HDR-NeRF）有什么应用？
HDR-NeRF用于在不同曝光条件下生成新的高动态范围和低动态范围图像，提升图像合成和照明估计效果。
HDR-HexPlane框架的特点是什么？
HDR-HexPlane框架可以从不同曝光的动态2D图像中学习3D场景，生成高质量的新视图图像。
新光照估计和编辑框架的功能是什么？
该框架能够从低动态范围图像生成高动态范围的室内全景照明，表现出优秀的性能。
OmnineRF方法如何优化图像渲染效果？
OmnineRF通过视差功能优化全向神经辐射场，实现新视角的图像渲染效果。
RawNeRF技术的优势是什么？
RawNeRF技术可以直接从线性原始图像中训练，生成高动态范围的新视角合成图像，适用于低光照条件下的场景重构。
