这是2017 ICCV的一篇论文，感觉还是有点意思的，简要理解如下。
论文要解决的问题是多曝光融合转换的方法需要很多LDR图像去获得整个场景的动态范围，其次获得更多曝光的图像会消耗很多。这篇文章的基本思路是做无监督的图像融合，整体结构如下所示:
传统的方法是计算各个图像的权重然后局部或者全局的融合在一起。这里的思路是，图像的光照差异在L通道上比其他通道上的差异要大，而且结构信息主要也保留在L通道上，所以这里网络送进的是L通道的信息，其他两个通道通过加权方式融合获得最终的对应通道图。送入L通道信息的网络如下所示:
网络是两个分支输入，两支网络使用相同的权重，这个网络有三个优点，首先是可以让网络学习相同的fearure类型对于一个输入对。其次，是两个特征相加的融合效果更好。最后，网络的参数量少，收敛快。融合的特征通过三个CNN层获得最后的输出。
对于Loss,这里很有意思，将输出图表示为$y_f$,输入图经过一系列变换转换为$\hat{y}$（详见论文）,最后的Loss是它们两个的基于SSIM的loss。这样转换的目的是为了获得全局的光照一致性。其他部分见论文。