摘要：针对多曝光图像任务缺乏真值图像,以及现有多曝光图像融合算法存在的边缘特征丢失、细节模糊等问题,本文提出了一种基于注意力机制的多曝光图像融合算法。该算法建立权重独立的双通道Unet网络,对目标场景不同曝光图像分别进行特征提取,生成不同曝光图像的高维多尺度特征图;通过视觉注意力机制凸显目标场景在不同曝光下对融合有利的特征,并叠加到高维多尺度特征图上;最后,将过滤的高维多尺度特征进行特征拼接,通过扩张残差稠密单元进行特征重建,得到最终的高动态范围图像。以端到端网络作为设计基础,利用内容损失和结构损失计算策略对神经网络进行约束,实现无监督学习。实验结果表明,所设计的多曝光图像融合网络在保留过曝和欠曝图像纹理特征的同时降低了欠饱和与过饱和区域信息干扰,具有良好的融合效果和鲁棒性。

摘要：针对传统的基于多曝光的高动态范围成像方法存在冗余信息多、总曝光时间长的不足,提出一种基于最优曝光的最小包围曝光集合的获取方法.利用目标相机可捕获最大曝光到最小曝光的图像序列,计算出目标相机的辐射域动态范围,并以此作为目标相机基准;在实际多曝光捕获时,只需计算目标场景最优曝光图像的动态范围,以及目标场景最小、最大辐照度,即可得到目标场景的基于最优曝光的最小包围曝光集合.利用典型的高动态范围场景对不同集合合成的高动态范围图像进行实验的结果表明,该方法在保证所获得高动态范围图像质量的前提下,相比传统的包围曝光集合获取方法,可有效地减少高动态范围成像所需低动态范围图像的数量,降低多曝光图像集合总捕获时间,节省存储空间.