从金属物体的和图像进行高动态范围图像重建

科学领域:

• 计算机视觉 计算机视觉
• 图像处理 图像处理
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 从低动态范围 (LDR) 图像中重建高动态范围 (HDR) 图像是具有挑战性的,特别是对于金属物体,因为它们的反射特性.
• 在处理复杂材料表面时,现有的方法往往在准确性和视觉准确性方面扎.

研究的目的:

• 开发一个深度神经网络,从金属物体的单个和LDR图像直接重建HDR图像.
• 为了提高对具有挑战性的材料的HDR图像重建的准确性和视觉质量.

主要方法:

• 一个深度神经网络,特别是类似U-Net的卷积神经网络 (CNN) 架构,被设计用于从8位LDR到HDR图像的直接映射.
• 创建了一个金属物体的HDR图像数据库,并剪切HDR图像以生成相应的LDR图像用于训练和测试.
• 该CNN包括一个编码器,解码器和跳过连接,利用MATLAB进行32层和85,900个可学习参数的算法构建.

主要成果:

• 拟议的CNN方法在从LDR输入中重建HDR图像方面表现出卓越的性能.
• 实验评估证实,与现有方法相比,重建准确度,组图匹配度和主观视觉质量有显著改善.
• 类似于U-Net的架构在整个重建过程中有效地保留了图像分辨率.

结论:

• 深度神经网络方法为从金属物体的单个LDR图像中进行HDR图像重建提供了强大的和有效的解决方案.
• 该方法显著优于传统技术,提供更准确和视觉上更令人愉快的HDR结果.
• 这项工作推动了HDR成像领域的发展,特别是在涉及反射和金属表面的应用中.