Sagiri: Low Dynamic Range Image Enhancement with Generative Diffusion Prior

使用8位相机捕捉高动态范围（HDR）场景通常会受到过度/欠曝光、由于低位深度压缩而导致的细节丢失、色彩分布失调以及暗区域强烈噪声等问题的困扰。传统的低动态范围（LDR）图像增强方法主要关注颜色映射，通过扩展图像的颜色范围和调整亮度来增强视觉效果。然而，这些方法未能有效地恢复动态范围极端区域（即像素值接近0或255的区域）中的内容。为了应对HDR成像中的所有挑战并超越当前模型的局限性，我们提出了一种新颖的两阶段方法。第一阶段将颜色和亮度映射到适当的范围，同时保留现有的细节，第二阶段利用扩散先验生成在捕捉过程中丢失的动态范围极端内容。这个生成的细化模块也可以作为即插即用的模块来增强和补充现有的LDR增强模型。所提出的方法显著提高了LDR图像的质量和细节，通过严格的实验验证展现了卓越的性能。该项目页面位于https://sagiri0208.github.io。

提高8位相机拍摄HDR场景的质量，包括避免过度/欠曝光、低位深度压缩导致的细节损失、色彩分布偏斜和暗区强烈噪声等问题。

提出了一个两阶段的方法来解决HDR成像的挑战。第一阶段将颜色和亮度映射到适当的范围，同时保留现有的细节。第二阶段利用扩散先验生成在拍摄过程中丢失的动态范围极端内容。

该方法在LDR图像的质量和细节方面显著提高，通过严格的实验验证展现出卓越的性能。该方法还可以作为插件模块来增强和补充现有的LDR增强模型。

最近的相关研究包括“Deep High Dynamic Range Imaging of Dynamic Scenes”和“Deep HDR Reconstruction of Still Images”。