这是2019 cvpr一篇做HDR转换的一篇论文，这里做一下简要理解。
获得HDR图像方法之一的途径是将多个不同曝光的LDR图像进行融合，获得HDR图像。但是目前的方法无法解决大运动情况下的合成图像出现伪影的情况，并且也无法处理大区域饱和度的问题。所以这篇论文的主要思路是，使用attention模块引导不同图像的融合，使得大运动和饱和度高的区域被排除，同时使用DRDB模块做融合,整体结构图如下所示：
AHDRNet包括两个子网络，分别是attention网络和融合网络。网络的输入图是三张不同曝光的图像，以及和它们gamma校正后的HDR图像concat在一起作为输入，这样做的目的是LDR图像确定噪声和饱和区域分布，HDR图像确定对齐区域。
Attention网络
attention网络是为了确定参考图像(中间那一张)和非参考图像非对齐区域，通过对它们的比对得到。注意，attention map用来引导非参考图像的非对齐区域，其会通过强调对齐区域特征的方式减少非对齐区域特征的影响。最后三路的特征合并在一起，attention模块如下所示:
融合网络
这一块没啥好说的了，使用DRDB模块获得特征然后将特征做concat，然后是残差学习和浅层特征融合，最后显示HDR图像还要通过tone mapping的方式去实现。DRDB模块如下所示:
Loss
网络的loss通过将目标图和预测图tone mapping过后的计算它们的L1 loss,如下：
其他部分见论文。