相比于现实场景的高动态范围,我们通过普通拍摄设备获取的图像只有有限的动态范围。这种包含有限动态范围的图像被称为低动态范围图像,由于动态范围的缺失,其无法准确地展示真实的场景信息。与此对应,在摄影、游戏和自动驾驶等对图像细节有较高要求的方面,高动态范围图像的应用有着非常广泛的需求。因此,如何获取高动态范围图像,即高动态范围成像技术是一个被广泛研究的课题。其中最普遍的一种方法,就是将同一场景下多张不同曝光的低动态范围图像进行融合,进而获取高动态范围图像。基于多张不同曝光的低动态范围图像来进行高动态范围图像重建具有一定的挑战性。尽管目前一些研究提出了基于光流或块匹配的方法来解决这个问题,在被拍摄场景包含大范围的前景运动时,这些方法生成的高动态范围图像中容易出现“鬼影”,说明在不同场景输入下这些算法依旧不够稳健。为解决这个问题,这篇论文提出了一个用来对齐低动态范围图像的基于多尺度上下文感知的神经网络(我们称其为CAHDRNet),并且对其性能进行了验证。与之前基于光流方法不同,这篇文章阐述了高动态范围图像重建问题可以被视为一种图像修补问题,同时又与之前基于块匹配的方法不同,这篇文章提出的CAHDRNet是在深度特征图上进行块匹配。基于之前在图像修补工作中提出的上下文感知模型,这篇论文对其在多尺度上进行扩展,从而使得提出的网络能更好地处理不同场景,并且减少块匹配的误差。在公开数据集上进行的性能实验表明,这篇论文提出的CAHDRNet可以有效地重建低动态范围图像中由于过曝或者曝光不足而丢失图像细节的区域。其中CAHDRNet在公开数据集上生成结果的峰值信噪比(PSNR)的平均数值是40.97,而性能最好的非光流算法对应数值为38.60。基于光流的算法的PSNR的平均数值为40.95,略低于CAHDRNet,但其在另一种客观评价方法HDR-VDP-2下的数值比CAHDRNet表现更好。根据客观和主观评估,这篇论文提出的方法比所有非光流算法要表现优异,和基于光流算法各有优劣。