《ExpandNet》论文阅读
最近在研究使用深度学习将LDR图像转为HDR图像，因此阅读几篇相关论文。
论文：《ExpandNet: A Deep Convolutional Neural Network for High Dynamic Range Expansion from Low Dynamic Range Content》
代码：https://github.com/dmarnerides/hdr-expandnet
网络结构：
- Local Branch：产生高频特征 —— 高频特征相当于图像中的细节部分。
- Dilation Branch：这一层使用扩张卷积（Dilated convolution），产生中频特征。
- Global Branch：产生低频特征 —— 低频特征相当于图像中的大体部分。
Loss Function：
- 第一部分采用
L1来代替深度学习普遍采用的L2函数，因为L2会使得输出图像产生模糊性。 - 第二部分就是
cos余弦函数，因为亮度的数量级差别很大，而cos函数受矢量间角度影响大，但受矢量间幅值影响小。
实现细节：
- 由于采用上述的三种结构，所以本文没有采用
downsampling layers和upsampling layers，这样有利于保证输出图像的质量，因为upsampling layers会降低图像质量。 - 采用
SELU作为激活函数。 - 训练集的亮度都归一化为
[0,1]范围内的相对亮度，因为只有一部分训练集有确切的亮度值。
DataSet：
- 本文通过HDR video，indoor image，web上的HDR图像来获得HDR图像集，随后采用
augment的方法，从HDR图像获得LDR图像，这就是训练集的产生流程。 - augment方法的参数，如下：
实验结果：
左边为输入的LDR图像，右边为网络输出的HDR图像