首页|动态场景下深度自监督多曝光图像融合方法

动态场景下深度自监督多曝光图像融合方法

扫码查看
原文链接
  • 万方数据
  • 维普
近年来,面向动态场景的多曝光图像融合技术取得重大进展.其中,基于深度学习的方法在视觉效果和运算效率上都远超传统算法,成为高动态范围成像技术的主流.然而,现有基于深度学习的融合方法都以有监督学习的方式实现,过度依赖真值图像,难以被广泛应用于实际场景中.本文提出了一个基于深度自监督学习的动态多曝光图像融合网络,主要贡献包括:设计自监督的动态多曝光融合网络框架,探索高动态范围图像与低动态范围图像序列的内在关联;提出基于注意力机制的全局去伪影模块,使用全局文本模块减少动态融合产生的运动伪影,增强图像细节;提出融合重建模块,通过残差和稠密连接实现多层次特征之间的信息流动;设计运动掩膜引导的自监督损失函数,用于网络的高效训练.实验表明,与现有方法相比,本文提出的方法在高动态范围图像重建的主观和客观质量上均表现较好,运算效率显著提升.
Deep Self-Supervised Multi-Exposure Image Fusion for Dynamic Scenes

high dynamic range imagingmulti-exposure image fusiondeep learningself-supervised learning

张雨童、邓欣、徐迈

展开 >

北京航空航天大学电子信息工程学院,北京 100191

北京航空航天大学网络空间安全学院,北京 100191

高动态范围成像 多曝光图像融合 深度学习 自监督学习

国家自然科学基金

62001016

2024

10.12263/DZXB.20220893

电子学报
中国电子学会

电子学报

CSTPCD北大核心
影响因子：1.237
ISSN：0372-2112
年,卷(期)：2024.52(1)
  • 32