SAFNet: Selective Alignment Fusion Network for Efficient HDR Imaging

多曝光高动态范围（HDR）成像面对截断纹理和复杂运动是一项具有挑战性的任务。现有的基于深度学习的方法通过遵循对齐和融合管道或利用注意机制取得了巨大成功。然而，大量的计算成本和推理延迟阻碍了它们在资源受限设备上的部署。本文提出了一种新颖的选择性对齐融合网络（SAFNet）以实现更好的效率。在提取金字塔特征后，它使用共享的解码器联合细化选定区域内的有价值区域掩码和跨曝光运动，然后以明确的方式融合高质量HDR图像。这种方法可以使模型聚焦于找到有价值的区域，同时估计它们易于检测和有意义的运动。为了进一步提高细节增强，引入了一个轻量级的细化模块，它从先前的光流、选择掩码和初始预测中获得特权。此外，为了便于在具有大运动的样本上学习，提出了一种新的窗口分区裁剪方法。对公共和新开发的具有挑战性的数据集的实验表明，所提出的SAFNet不仅在定量和定性上超过了以前的SOTA竞争对手，而且运行速度快了几个数量级。代码和数据集可在https://github.com/ltkong218/SAFNet上获得。

提出一种用于HDR成像的高效深度学习方法，解决了现有方法在计算成本和推理延迟方面的问题。

提出了一种名为SAFNet的选择性对齐融合网络，该网络可以在提取金字塔特征后，共同细化有价值的区域掩码和选择区域内的跨曝光运动，然后以明确的方式融合高质量的HDR图像。

论文提出的SAFNet不仅在定量和定性方面超过了以前的SOTA竞争对手，而且运行速度快了一个数量级。论文还介绍了轻量级细化模块和新的窗口分区裁剪方法，以进一步提高细节增强和训练效率。代码和数据集可在GitHub上获得。

在该领域的最新研究包括使用对抗性网络进行HDR成像和使用多尺度和多方向特征的HDR成像。相关论文包括“DeepHDR:高动态范围图像重建的深度学习方法”和“基于多尺度和多方向特征的高动态范围成像”。