2018 ECCV，主要目标是通过分别合成不同曝光度图像，合成网络可以share weight，通过GAN辅助最终融合成HDR。
原来方法的问题
1.LDR恢复到HDR的过程需要大量细节恢复，之前的方法不够realistic
2.生成一系列的曝光图像需要不同的网络，造成大量的开销
论文提出的点
1.使用GAN，可以更好的捕获输入图像的全局和局部信息，从而更好的生成结构信息
2.相对生成不同曝光图像需要不同网络的方法，提出的方法只需要上下曝光调整网络分别进行循环，就可以生成不同曝光图像
3.生成不同曝光图像的数目不是固定的，而是可调的
论文的方法
1.提出上下曝光网络，分别用来生成高低曝光图像，其中每个网络可以生成一系列更高、更低曝光的图像，通过网络循环得到，如下图所示：
2.使用条件GAN进行训练，生成器网络除了上一个曝光度图像，还有随机噪声z，如下图所示：
3.对于损失函数，这里使用了LSGAN和L1损失,测试时过程如下所示：
结果与思考
论文在结果里分别对不同曝光也算了PSNR。通过单个曝光网络可以迭代生成不同曝光图像，充分发掘了不同曝光图像之间的内在关联性，对于许多融合类任务，都有借鉴意义。