2020 CVPR，和CameraNet那篇论文思路是一样的，都是使用divide and conquer的思路对问题做拆解（ISP和HDR都有人这么玩了，来从成像角度猜猜下一步还有什么low level问题能这么玩）。这里将问题分解成反量化，线性化和伪影去除三个步骤，和其他HDR方法的区别如下图所示：
可以看出这里将SDR2HDR拆解成了多个问题去做，这样做很显然会限制求解问题的规模，也是为什么这种基于divide and conquer的思路可以work。首先是反量化网络，这里使用的是一个简单的U-Net网络，loss使用的是L2 loss，该部分的GT是通过HDR转换过来的。
然后是线性化。一般的CRF要确保单调性，以及转换前后的最大值和最小值也是对应的，这里先对inverse CRF进行采样1024个点，然后PCA成11，为了预测inverse CRF，这里需要使用线性为了去得到这个PCA的结果。因为edge和颜色直方图有利于获得inverse的CRF，这里先通过sobel算子获得边缘图，同时通过Spatial-aware soft histogram layer获得具有空间信息的直方图，将这两者送入到网络里，获得PCA权重重建inverse CRF曲线。该部分的loss包括两部分，分别是预测的CRF和GT的CRF曲线的loss，以及线性化结果和GT线性化结果的loss。整个过程如下所示：
然后是一个去伪影的网络，这里使用一个【0,1】二值的mask去对过曝区域进行处理，并加在原图上从而获得重建的HDR图像。这里的loss包括log域的L2 loss，VGG loss(将HDR tone map到RGB上进行计算)以及TV loss。整体流程如下所示：
最后训练时先对各部分进行训练，然后整体进行finetune。为了进一步处理一些成像中的复杂情况，这里最后还加上一个refine的网络进行训练，部分结果如下所示：
