EdiTor：一种基于边缘引导的Transformer模型，用于实现无伪影的高动态范围成像

《ACM Transactions on Multimedia Computing, Communications, and Applications》：EdiTor: Edge-guided Transformer for Ghost-free High Dynamic Range Imaging

HDR图像重建中提出EdiTor框架，通过边缘先验建模长程运动，结合全局运动与细节调整提升重建质量，并设计曝光掩码损失补偿极端曝光区域，实验验证其有效消除动态场景鬼影，优于现有CNN方法，实现统一纹理与色彩的高质量HDR图像。

　　

摘要

近年来，通过利用卷积神经网络（CNN），从多曝光图像合成高动态范围（HDR）图像的研究得到了广泛开展。尽管取得了显著进展，但现有的基于CNN的方法存在固有的局限性，即局部感受野的限制，这阻碍了模型捕捉欠曝/过曝图像之间长距离对应关系和大范围运动的能力，从而导致动态场景中出现重影伪影。为了解决上述问题，我们提出了一种新型的边缘引导传输器框架（EdiTor），该框架专为无重影的HDR重建而设计。通过引入边缘先验，EdiTor能够精细地模拟不同曝光之间的长距离运动。具体而言，EdiTor在图像域和边缘域上分别计算块级的相关性图，使网络能够有效建模全局运动以及多次曝光之间的细微位移。基于这一框架，我们进一步提出了一个曝光掩码损失函数，以自适应地补偿严重失真的区域（例如高光和阴影）。实验表明，EdiTor在定量和定性方面均优于现有最先进的方法，实现了具有统一纹理和颜色的高质量HDR可视化效果。