通过视频扩散先验进行单次 HDR 恢复

最近的单次高动态范围（HDR）图像重建生成方法显示出有希望的结果，但常常难以保持输入图像的保真度。它们需要单独的模型来处理高光和阴影，或者通过直接预测最终的 HDR 图像来牺牲可解释性。我们通过将单次 HDR 重建重新转换为条件视频生成并将生成的帧融合到 HDR 图像中来解决这些限制。我们微调视频扩散模型以生成曝光包围，以低动态范围（LDR）输入为条件。我们使用轻量级 UNet 预测的每像素权重来融合该图像支架。这个公式简单、可解释且有效。它不是直接产生 HDR 图像的幻觉，而是显式地重建中间曝光堆栈并将其融合到最终输出中。我们的方法消除了对跨曝光方案的单独模型的需要，并产生具有高输入保真度的 HDR 重建。在定量基准上，我们在几个重建指标上的模型能力优于最先进的生成基线。与现有方法相比，人类评估者在 72% 的成对比较中更喜欢我们的结果。最后，我们证明了这种输入条件序列生成和融合框架超越了 HDR，扩展到其他图像重建任务，例如从单个散焦模糊输入恢复全焦点图像。