基于深度学习的显著运动下高动态范围图像重建的研究

高清直播业务在广电行业中举足轻重,但是存在不同强度光照以及人物运动导致直播画面不清晰和亮度不自然的问题,本文提出了一种基于深度学习技术的方法,可应用于显著运动下的高动态范围图像重建。实验结果表明,该方法不仅改善了画面清晰度,还解决了亮度不均和运动模糊等问题,进一步提升了用户的直播观看体验。此外,该方法还大幅降低了模型计算成本,为智能高清直播技术的进一步推进提供了有力支持。

像感域(Raw域)底层视觉重建技术进展

底层视觉重建技术旨在在受限的成像条件下重建高质量图像/视频,对后续视觉处理与呈现具有重要意义。由于像感域数据(raw data)具有高位宽、与感光量成线性响应等特点,近年来基于像感域的视觉重建技术在学术界和工业界获得的关注日益提高。本文聚焦于6种代表性视觉重建任务,包括低光增强与去噪、超分辨率、高动态范围重建、去摩尔纹、多任务联合重建以及数据生成,重点综述了深度学习驱动的像感域视觉重建领域的进展:系统地总结了领域代表性方法,概述各类方法的优势与局限,分析了不同任务中像感域数据相较于颜色域数据(经降噪、去马赛克、白平衡、色调映射和颜色空间转换(如RGB、sRGB等)等处理之后的数据)的独特属性与优势;梳理了各个领域的开源数据集,包括图像数据集、快速连拍数据集以及视频数据集,总结了数据集的构造方法以及配对数据的空间/时间对齐策略,为后续研究的数据集创建提供了参考与指引;总结了现有方法存在的问题与困境,展望了像感域底层视觉重建的发展趋势。