论文部分内容阅读
随着超高清电视服务和高动态范围(High Dynamic Range,HDR)技术的发展,对HDR图像和视频的需求逐渐增多,但直接制作HDR视频的代价过高,因此需要一种能够稳定将现有的大量SDR(Standard Dynamic Range)转化为HDR的逆色调映射算法,来达到更好的视觉效果。从现有的逆色调映射算法来看,对于多样场景的适应性不足、非线性性能不足导致的转换效果不佳,使得算法有很大的提升空间。HDR视频与图像的制作与编辑方式与常见的SDR不同,常用的HDR标准规定图像和视频均为10比特量化,并使用PQ或HLG光电、电光函数,这使得针对HDR内容需要特殊的处理方法。本文在建立HDR数据集时,由于高质量HDR内容的短缺并考虑到算法的可用性,采用的是满足HDR10标准的视频通过退化方法得到数据集,数据集在数量和质量上与同时期至今的其他工作相比已有明显优势。本文首次提出将生成对抗网络用于建立逆色调映射算法模型,利用生成对抗网络对抗训练的特性来重构真实场景中的细节,模型被设计为可以处理较大尺寸的图片,训练结合MSE和差分MSE的目标函数得到最终的模型,与其他典型逆色调映射算法的生成效果对比,本文提出的算法在主观感受和客观评分上都有明显的优势,生成效果与真实的HDR十分接近。同时通过实验对比,本文提出的逆色调映射算法各成分的鲁棒性和对参数的敏感性都得到了验证。另外,本文针对在HDR制作的过程中经常会遇到图像的曝光度或亮度不合适的情况,首次提出了一种可以还原输入SDR图像不合适的曝光度并逆色调映射得到高质量HDR图像的算法,算法以之前提出的逆色调映射算法为基础,不同的是对输入的SDR图像直方图均衡预处理后输入网络,网络训练的目标函数结合本征图像分解和感知损失在图像的亮度、颜色特征和整体感知上约束网络的训练,最终得到了一个可以将图像曝光度还原到正常范围的深度网络,并通过实验证明该网络可以将输入的低质量SDR图片恢复并重建为高质量HDR图片。同时,本文也通过实验证明了算法中加入的直方图均衡、本征图像分解和感知损失对算法的作用,验证了模型的鲁棒性,并在实际拍摄的真实场景图像上测试,以验证算法对实际场景的有效性。