多曝光HDR去鬼影全解析：像素级vs特征级，谁才是动态场景最优解？
Multi-exposure HDR Imaging: A Review of Pixel-level and Feature-level Reconstruction Methods
📖 AI 总结
这篇综述系统梳理了多曝光高动态范围（HDR）成像领域的两大核心议题：多曝光融合与去鬼影。文章指出，动态场景中连续曝光的时间间隔会导致严重的鬼影伪影，这是HDR成像的主要瓶颈。作者将现有方法按像素空间和特征空间两个维度进行分类：像素空间方法通常依赖光流或空间变换器进行显式运动补偿，而特征空间方法则通过可变形卷积、注意力机制或潜在表征融合实现隐式对齐。综述对代表性工作在多种监督设置下进行了对比，总结了关键设计原则，并归纳了常用数据集和评估指标及其适用场景。最后，文章指出了当前研究的主要瓶颈，包括动态场景下的鲁棒性、计算效率与重建质量间的平衡等问题，并展望了未来有价值的研究方向。
🔑 关键词速览
| Multi-exposure Fusion (MEF) | 多曝光融合，将不同曝光时间的图像合成为一张高动态范围图像的技术。 |
| Ghosting artifacts | 重影伪影，动态场景中因物体移动或相机抖动导致图像中出现的模糊或重复边缘。 |
| Pixel-space methods | 像素空间方法，在图像像素级别进行对齐和融合，通常使用光流等显式运动补偿。 |
| Feature-space methods | 特征空间方法，在特征级别进行隐式对齐，利用可变形卷积或注意力机制等。 |
| Optical flow | 光流，描述图像中像素运动方向的场，用于显式对齐多曝光图像。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅