本研究提出了一种优化网络，解决高动态范围照明序列中的时间一致性问题，通过最小化复合损失函数来优化信号的方向、锐度和强度，从而确保HDRI序列的真实感。

本研究提出了一种名为“事件场”的新方法，旨在解决传统帧基相机在高速应用中的局限性。该方法通过创新的光学设计和数学框架，在高动态范围场景中表现出色，推动了摄影、机器人技术和增强现实等领域的发展。

本研究提出多种基于深度学习的高动态范围图像处理方法，包括逆色调映射、实时HDR环境映射、场景恢复和光照估计，旨在提升图像质量和渲染效果，特别是在增强现实和自动驾驶应用中表现出显著的性能提升。

本文介绍了一种基于卷积神经网络的方法，能够从低动态范围（LDR）图像中估算高动态范围（HDR）照明。通过训练网络，实现了真实感的虚拟物体插入和高质量的HDR照明估计。此外，研究结合了生成对抗网络（GAN）提升HDR灯光编辑能力，并在移动设备上实现了实时视频肖像照明，提供灵活控制和隐私保护。

本文介绍了一系列基于事件流的图像重建方法，包括高动态范围视频重建和低分辨率图像提升技术。这些方法在高速现象和复杂光照条件下表现优越，能够有效提高图像质量和分辨率，适用于物体识别和导航等应用。

本文介绍了一种基于深度神经网络的自动高动态范围照明估计方法，能够利用有限视野的低动态范围图像推断光源的位置和强度。该方法在低光环境下有效提升图像质量，适用于嵌入式系统和智能设备，具有良好的泛化能力和高准确度。

本研究提出高动态范围神经辐射场（HDR-NeRF），通过模拟成像过程生成不同曝光条件下的高动态范围图像。实验结果表明，该方法能够有效控制曝光并渲染高动态范围视图。此外，研究探讨了3D高斯喷洒技术在高动态范围场景重建中的应用，提出了新框架以提高渲染质量和速度，同时显著减少存储需求。

本文介绍了一种新方法，通过将运动对准问题转化为简单的亮度调整，生成对齐的多曝光特征，并利用深度学习技术提升高动态范围（HDR）图像的重建质量。研究表明，该方法在定性和定量评估中优于现有技术，有效处理低动态范围图像，避免过曝问题，提升HDR图像的真实细节和时序一致性。

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。

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和深度卷积神经网络，恢复低动态范围图像中的高动态范围细节。新方法结合多种技术，显著改善图像质量，实验证明其在真实场景中的优越性，能够有效生成高质量HDR图像。

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。

本文介绍了多种基于事件相机的图像重建和增强方法，包括利用循环网络合成彩色图像、EvLight方法提高低光场景图像质量，以及生成高动态范围图像的对抗网络。这些方法在高速现象和复杂光照条件下表现出色，推动了对象检测和视频重建等应用的发展。

本研究提出了一种被动自由运行的单光子雪崩二极管（SPAD）成像技术，能够在自然光下捕捉高动态范围的2D图像，适用于低光和高速运动场景，具有广泛的应用潜力。

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。

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。

EvPlug是一种将事件相机与图像相结合的方法，提高了RGB模型在高动态范围和快速运动场景下的推理能力，适用于物体检测、语义分割和3D手姿估计等多个视觉任务。