PulseAugur
实时 17:55:58
English(EN) Coarse-to-fine Framework for Generative MEF via Implicit Neural Representation

新的LIIFusion框架提高了生成式MEF的效率和质量

研究人员推出了一种新颖的粗到细框架LIIFusion,旨在提高生成式多重曝光融合(MEF)的效率和质量。该方法解决了基于扩散的MEF方法中常见的计算成本和结构保真度问题。该框架首先进行具有自适应曝光校正的低分辨率生成融合,以恢复丢失的结构细节。然后,它采用局部隐式图像函数来创建多重曝光融合函数,从而能够进行任意坐标查询和证据融合,而不受输入分辨率的影响。据报道,LIIFusion在现有生成方法的基础上实现了3.5倍的速度提升,同时保持或增强了结构完整性和感知质量,使生成式MEF在实际应用中更加实用。 AI

影响 该框架通过显著加快处理时间,有望使生成式多重曝光融合在实际应用中更加实用和高效。

排序理由 该集群包含一篇详细介绍生成式MEF新技术框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

新的LIIFusion框架提高了生成式MEF的效率和质量

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Sangmin Han, Jinho Kim, Jinwoo Kim, Dongyoung Kim, Seon Joo Kim ·

    用于生成式MEF的粗粒度到细粒度框架通过隐式神经表示

    arXiv:2607.17611v1 Announce Type: cross Abstract: Multi-exposure fusion (MEF) expands the luminance range beyond what a single exposure can capture. Combining images taken at different exposure levels requires handling geometric differences while naturally merging their complemen…