Towards Real-World HDR Video Reconstruction: A Large-Scale Benchmark Dataset and A Two-Stage Alignment Network

本文旨在解决从交替曝光序列中重建高动态范围（HDR）视频的问题，这是一种重要且实用的方法，但由于缺乏大规模真实世界数据集，因此仍未得到充分探索。现有方法大多在合成数据集上训练，但在真实场景中表现不佳。为了促进真实世界HDR视频重建的发展，本文提出了Real-HDRV，这是一个大规模真实世界基准数据集，包含各种场景、不同运动模式和高质量标签。该数据集包含500个LDR-HDR视频对，约28000个LDR帧和4000个HDR标签，涵盖了白天、黑夜、室内和室外场景。据我们所知，这是最大的真实世界HDR视频重建数据集。相应地，我们提出了一个端到端的HDR视频重建网络，其中设计了一种新的两阶段策略来顺序执行对齐。具体而言，第一阶段使用自适应估计的全局偏移量进行全局对齐，降低了后续对齐的难度。第二阶段使用自适应可分离卷积以粗到细的方式在特征级别隐式执行局部对齐。广泛的实验表明：（1）在我们的数据集上训练的模型可以在真实场景中实现比在合成数据集上训练的模型更好的性能；（2）我们的方法优于先前的最先进方法。我们的数据集可在https://github.com/yungsyu99/Real-HDRV上获得。

Real-HDRV论文旨在解决HDR视频重建中缺乏大规模真实世界数据集的问题。

论文提出了一个端到端的网络模型，采用新颖的两阶段策略进行HDR视频重建。

Real-HDRV数据集包含500个LDR-HDR视频对，是目前最大的真实世界HDR视频重建数据集之一。论文提出的两阶段策略能够在全局和局部两个层面上对齐图像。实验结果表明，该方法的性能优于现有的基于合成数据集的方法。

在HDR视频重建领域，其他相关研究包括：Deep SR-ITM、DeepRemaster和HDRNet等。