GTA-HDR: A Large-Scale Synthetic Dataset for HDR Image Reconstruction

高动态范围（HDR）内容（即图像和视频）具有广泛的应用。然而，从现实场景中捕获HDR内容是昂贵和耗时的。因此，从其低动态范围（LDR）对应物中重建视觉上准确的HDR图像的具有挑战性的任务正在引起视觉研究界的关注。这个研究问题的一个主要挑战是缺乏数据集，这些数据集捕捉了不同的场景条件（例如，照明，阴影，天气，位置，风景，物体，人类，建筑）和各种图像特征（例如，颜色，对比度，饱和度，色调，亮度，亮度，辐射度）。为了解决这个问题，在本文中，我们介绍了GTA-HDR，这是一个从GTA-V视频游戏中采样的大规模合成数据集，其中包含逼真的HDR图像。我们对所提出的数据集进行了彻底的评估，证明了与最先进的HDR图像重建方法相比，其在定性和定量上都有显著的改进。此外，我们展示了所提出的数据集的有效性及其对其他计算机视觉任务（包括3D人体姿态估计，人体部位分割和整体场景分割）的影响。数据集，数据收集管道和评估代码可在以下网址获得：https://github.com/HrishavBakulBarua/GTA-HDR。

从低动态范围（LDR）图像中重建出视觉上准确的高动态范围（HDR）图像是一个具有挑战性的任务。本文旨在解决缺乏多样化场景条件和图像特征的HDR图像数据集的问题。

本文提出了一个大规模的合成HDR图像数据集，从GTA-V视频游戏中采样，称为GTA-HDR。通过对该数据集进行评估，证明了该数据集对于HDR图像重建方法的显著定量和定性改进。此外，本文还展示了该数据集对于其他计算机视觉任务的有效性和影响力。

本文提出了一个新的大规模HDR图像数据集，对于HDR图像重建方法的评估结果显示了显著的定量和定性改进。此外，本文还展示了该数据集对于其他计算机视觉任务的有效性和影响力，如3D人体姿态估计、人体部分分割和整体场景分割。数据集、数据收集流程和评估代码均已公开。

最近的相关研究包括：1）使用GAN生成HDR图像的方法；2）使用深度学习技术进行HDR图像重建的方法；3）使用多曝光图像进行HDR图像重建的方法。