基于双任务协同与多视角共识学习的动态场景高动态范围成像去鬼影方法

针对多曝光HDR(ME-HDR)合成中动态场景的鬼影(ghosting)问题，研究人员受"大家来找茬"游戏启发，提出双任务协同(DTS)与多视角共识学习(MPCL)框架。通过协同单图像HDR(SI-HDR)与ME-HDR重建生成三组HDR图像，建立虚拟观察者群体识别差异，最终实现PSNR达34.21dB的SOTA性能，为动态场景HDR重建提供新范式。

　　

在数字图像处理领域，高动态范围(High Dynamic Range, HDR)成像技术长期面临动态场景下的鬼影(ghosting)难题。传统相机因物理限制只能捕捉有限亮度范围，当场景动态范围超过设备能力时，多曝光合成的HDR图像容易出现运动伪影。现有方法虽采用特征对齐和注意力机制，但难以从根本上解决特征网络对鬼影信息的识别瓶颈。这一困境恰似"大家来找茬"游戏中单人视角的局限性——仅凭单一观察角度难以全面捕捉差异。

针对这一挑战，来自中国的研究团队创新性地将游戏机制引入HDR重建领域，提出双任务协同与多视角共识学习(DTS-MPCL)框架。该研究通过巧妙融合单图像HDR(SI-HDR)重建与多曝光HDR(ME-HDR)合成技术，构建出三组互补的HDR图像(H_s、H_m、H_f)，并模拟多人游戏场景建立虚拟观察者系统，从多角度识别重建结果与真实值(GT)的差异。这种创新方法使模型PSNR指标提升至34.21dB，在Kalantari's、Hu's等标准数据集上均超越现有SOTA方法。相关成果发表于《Knowledge-Based Systems》，为动态场景HDR重建开辟了新思路。

关键技术方法包括：1) 双任务协同模块(DTS)同步执行SI-HDR和ME-HDR重建；2) 基于Kalantari's和Hu's数据集训练；3) 多视角共识学习(MPCL)构建虚拟观察者群体；4) 采用重建块(RB)和集成块(IB)生成H_s、H_m、H_f三组结果；5) 通过定量评估选择最优分支。

研究结果显示：
• 分支选择实验：定量比较H_s、H_m、H_f在Kalantari's数据集的表现，最终选定集成块(IB)输出的H_f作为最终结果生成分支。
• 多视角共识机制：通过模拟"找茬游戏"的多观察者设计，使模型能识别传统方法难以察觉的细微鬼影差异。
• 性能对比：在Sen's和Tursun's等跨数据集测试中，该方法在结构相似性(SSIM)和峰值信噪比(PSNR)指标上均显著优于AHDRNet、NHDRRex等对比模型。

该研究的突破性在于首次将群体认知机制引入HDR重建领域。通过Yafei Zhang、Juncheng Luo等作者设计的游戏化学习框架，不仅解决了特征网络对鬼影信息识别不精准的核心问题，更开创了"协同重建-差异识别-共识优化"的新型处理范式。国家自然科学基金(62161015、62276120)等项目的资助成果，为极端光照条件下的医疗影像、自动驾驶等需要高精度HDR图像的领域提供了关键技术支撑。这种跨学科方法启示我们：解决复杂视觉问题或许需要跳出技术本身，从人类认知行为中寻找灵感。