Aprendizaje Guiado Profundo para Fusión de Imágenes de Múltiples Exposiciones Rápida

Proponemos un método rápido de fusión de imágenes de múltiples exposiciones (MEF), denominado MEF-Net, para secuencias de imágenes estáticas de resolución espacial y número de exposiciones arbitrarios. Primero alimentamos una versión de baja resolución de la secuencia de entrada a una red completamente convolucional para la predicción del mapa de pesos. Luego, ampliamos conjuntamente los mapas de pesos utilizando un filtro guiado. La imagen final se calcula mediante una fusión ponderada. A diferencia de los métodos convencionales de MEF, MEF-Net se entrena de extremo a extremo optimizando el índice de similitud estructural (MEF-SSIM) calibrado perceptualmente sobre una base de datos de secuencias de entrenamiento a resolución completa. En un conjunto independiente de secuencias de prueba, encontramos que el MEF-Net optimizado logra una mejora consistente en la calidad visual para la mayoría de las secuencias, y se ejecuta entre 10 y 1000 veces más rápido que los métodos de vanguardia. El código está disponible públicamente en.