这是2017 Sigraph的一篇论文，目标是从一组不同曝光的图像中生成高动态范围(HDR)图像。现有HDR技术首先将输入图像对齐到参考图像，然后将对齐的图像合并得到HDR图像。然而，在最终的HDR图像中，对齐的artifact通常以重影和撕裂的形式出现。论文观察到在合并时可以有效的减少这些artifact，通过检测带有artifact的区域，并将它们从最终结果中排除。论文训练时输入的是三个有不同曝光度的一系列LDR图像，先使用光流进行对齐，然后将对齐的图像送到网络里获得高动态范围的HDR图像。GT图像数据集制作是通过三张不同曝光度的静态图像组合生成的，详见论文。流程图如下：
具体的处理流程是，首先将图像通过CRF和gamma校正进行变换，将图像转换到肉眼可接收范围内。然后将高曝光图像Z1和低曝光图像Z3对齐到中等曝光度的图像Z2里，这里使用光流法进行对齐，需要光照一致性，详见论文。对齐好的图像I1,I2,I3送入融合网络里，该部分包括Loss和模型部分。对于Loss,因为最后展示的图像是tone mapping之后的，所以这里也对输出的图像进行这样的处理，然后计算Loss，如下所示:
这里3代表三个颜色通道。在模型进行图像融合，这里需要LDR domain可以检测出饱和和噪声区域。例如，一个简单的规则是考虑所有较小的像素（小于0.1）以及较大的像素（大于0.9）分别代表噪声和饱和区域。所以实际输入是对齐的图像I和校正后的HDR图像H，论文提出三个架构，分别如下:
如上图所示，第一种是直接将图像送进去，然后产生输出图，但是这样很容易产生artifact。第二种方式是产生三个权重图，并将其和输入的HDR图像相乘，然后组合在一起生成最后的HDR图像，可以减少artifact但是输出图的信息仍然是从输入图得来的。第三种方式是产生refine过后的图像和权重图，并对其进行组合，这里先对refine的图像进行约束，使其和输入的图像L2 loss尽可能变小，然后训练权重图，使得整个网络进行优化。其他部分详见论文。