2020 sigraph，对不同曝光区域分别做处理，达到性能提升。
之前方法的问题
1.对较好曝光度的区域和过饱和区域使用相同的卷积，没有区分度，导致恢复的图像产生伪影。
2.使用简单pixel wise的 loss，导致无法有效恢复细节。
提出方法的亮点
1.使用特征mask，减少过饱和区域对于结果的影响，从而减少生成伪影
2.联系到过饱和和inpainting任务很像，先在inpainting任务上进行预训练，有利于发掘图像内在关联性。然后在HDR网络上进行finetune
3.使用基于VGG的感知loss，生成视觉质量好的效果。
方法
1.首先介绍了生成Mask M的方法，用来衡量曝光好坏，1表示曝光度较好，0表示较差
2.特征Mask与输入图像的特征进行交互，如下图所示，对于每层特征，其和对应的Mask相乘，而Mask则被对应作用在图像特征的卷积层进行卷积（当然这里作用在Mask时进行了归一化），理由是图像特征卷积的权重反应了Valid程度的大小（这个亮点需要注意）。
3.损失函数包括HDR重建函数，其加入Mask进行引导，使得计算重点在饱和区域上；以及感知损失，包括VGG损失和style损失，这里不赘述。
4.由于HDR数据集数据量不足够，以及饱和区域主要在高亮处，恢复该处的过程和inpainting有点像，所以使用inpainting数据进行预训练，这里Mask也是和Inpainting一样使用二值Mask。
5.因为饱和区域也要有一些纹理（没有纹理的地方没法弄），所以需要进行Patch筛选，筛选出有一定纹理的区域用于训练。这里筛选patch和最终使用的LDR2HDR网络如下所示:
实验与效果
在仿真数据与真实数据上做，效果图略
思考
充分发掘不同任务的关联性，同时有效利用不同区域属性的不同，是这篇论文可以中的原因