HDRT: Infrared Capture for HDR Imaging

捕捉现实世界的照明一直是成像领域的一个长期难题，大多数实用方法通过融合多个曝光或增强标准动态范围（SDR）图像的动态范围来获取高动态范围（HDR）图像。多曝光捕捉存在问题，因为它需要较长的捕捉时间，通常会导致鬼影问题。主要的替代方法，反向色调映射是一个不明确的问题，特别具有挑战性，因为单个捕捉曝光通常包含剪切和量化值，因此缺少大量内容。为了缓解这个问题，我们提出了一种新的方法，高动态范围热（HDRT），用于使用单独的常见热红外（IR）传感器进行HDR采集。我们提出了一种新颖的深度神经网络方法（HDRTNet），它将IR和SDR内容组合起来生成HDR图像。HDRTNet学习利用与RGB图像相关的IR特征，随后在浅层使用IR特定参数的双分支方法融合特征。这产生了一张HDR图像，其质量显著优于使用朴素融合方法生成的图像。为了验证我们的方法，我们创建了第一个HDR和热数据集，并进行了广泛的实验，将HDRTNet与最先进的方法进行比较。我们展示了在过度曝光和欠曝光图像上的实质性定量和定性质量提高，表明我们的方法对于在多种不同照明条件下进行捕捉是稳健的。

论文提出了一种使用热红外传感器进行高动态范围（HDR）成像的方法，以解决现有方法在多重曝光和反色调映射方面存在的问题。

该论文提出了一种新的深度神经网络方法（HDRTNet），将红外图像和标准动态范围图像相结合，利用浅层特征融合产生HDR图像。

该论文创建了第一个HDR和热数据集，并展示了HDRTNet在过度曝光和欠曝光图像上的显著定量和定性质量改进。实验结果表明，该方法对于在多种不同光照条件下进行捕捉是稳健的。

最近的相关研究包括多重曝光和反色调映射方法，以及其他HDR成像技术，如基于深度学习的方法和图像融合方法。