Improving Bracket Image Restoration and Enhancement with Flow-guided Alignment and Enhanced Feature Aggregation

本文提出了一种新的框架，使用该框架解决Bracket Image Restoration and Enhancement(BracketIRE)任务，该任务要求从一系列噪声、模糊和低动态范围(LDR)的多曝光RAW输入中恢复高质量的高动态范围(HDR)图像。为了克服这一挑战，我们提出了IREANet，该网络使用Flow-guide Feature Alignment Module (FFAM)和Enhanced Feature Aggregation Module (EFAM)来改善多曝光对齐和聚合。具体而言，所提出的FFAM利用帧间光流作为指导来促进可变形对齐和空间注意模块以实现更好的特征对齐。EFAM进一步采用所提出的增强残差块(ERB)作为基础组件，其中单向循环网络聚合对齐的时间特征以更好地重建结果。为了提高模型的泛化能力和性能，我们还采用了Bayer保留增强(BayerAug)策略来增强多曝光RAW输入。我们的实验评估表明，所提出的IREANet相比之前的方法表现出了最先进的性能。

该论文旨在解决Bracket Image Restoration and Enhancement (BracketIRE)任务，即从一系列嘈杂、模糊、低动态范围的多曝光RAW输入中恢复高质量的高动态范围（HDR）图像。

该论文提出了IREANet框架来改善多曝光对齐和聚合，其中包括Flow-guide Feature Alignment Module (FFAM)和Enhanced Feature Aggregation Module (EFAM)。

该论文的实验结果表明，IREANet在多个数据集上均表现出优异的性能，并且通过Bayer保留增强策略进一步提高了模型的泛化能力。此外，论文还提出了增强残差块（ERB）和单向循环网络来聚合对齐的时间特征。

最近的相关研究包括：《Deep multi-patch hierarchal network for image deblurring》、《Deep residual attention network for image restoration》、《Deep learning for image super-resolution: A survey》等。