HDRAgent：多重曝光 HDR 成像的代理框架

大多数现有的多重曝光 HDR 方法都遵循固定的前馈重建范例，这使得它们在复杂的动态场景中容易出现重影伪影。为了解决这个问题，我们提出了 HDRAgent，这是第一个代理驱动的 HDR 成像框架，它根据当前场景条件自适应地选择重建策略。具体来说，为了提供特定场景的先验知识，我们引入了细粒度的上下文知识匹配（FCM）模块。该模块利用多模态 大语言模型 (MLLM) 派生的场景感知来检索相关历史案例和工具知识，将它们组织成基于 MLLM 的自适应工具调度的结构化证据。此外，我们提出了一种感知-扭曲反馈机制，将执行后质量评估和工件诊断转化为结构化反馈，并在历史记忆中积累，以帮助后续上下文知识细化和策略选择。此外，考虑到极端运动会使对齐方法失效，我们设计了一种代理引导的生成对齐策略，该策略使用基于 MLLM 的动态区域解析在参考帧引导下重建非参考帧中的不可靠内容。实验表明，HDRAgent 可以有效减少重影和局部伪像，同时实现有竞争力或卓越的客观性能和视觉质量。