GMODiff 框架使用扩散模型优化高动态范围重建

研究人员开发了 GMODiff，一种用于高动态范围 (HDR) 重建的新型一次性扩散框架。该方法将 HDR 重建重新定义为增益图细化问题，利用预训练的潜在扩散模型 (LDM) 来编码扩展的动态范围，同时保持与标准低动态范围图像相同的比特深度。GMODiff 通过减轻内容幻觉和降低推理成本，解决了直接应用 LDM 的局限性，与之前的 LDM 方法相比，速度提高了 100 倍，同时保持了高感知质量和结构准确性。 AI

影响 这种新的基于扩散的方法通过利用预训练模型显著加快了 HDR 重建速度并提高了质量。

排序理由 该集群包含一篇详细介绍 HDR 重建新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• gain map
• GMODiff
• Gotit.pub
• high dynamic range
• Hugging Face
• Latent Diffusion Models
• ScienceCast
• Tao Hu

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →