论文阅读笔记------Image Correction via Deep Reciprocating HDR Transformation（DRHT）
Yang X, Xu K, Song Y, et al. Image correction via deep reciprocating hdr transformation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 1798-1807.
摘要：
图像校正的目的是将输入图像调整为视觉上令人满意的图像。现有的方法主要是从图像像素处理的角度提出的。它们不能有效地恢复曝光不足/过度区域的细节。在本文中，我们回顾了图像的形成过程，并注意到这些区域的缺失细节存在于相应的高动态范围(HDR)数据中。这些细节可以被人眼很好地感知到，但由于色调映射过程，在低动态范围(LDR)域中会减弱。因此，我们将图像校正任务描述为一个HDR变换过程，并提出了一种新的方法，称为深度往复HDR变换(DRHT)。给定一个输入LDR图像，我们首先在HDR域中重建缺失的细节。然后，我们对预测的HDR数据执行色调映射，以生成包含恢复细节的输出LDR图像。为此，我们提出了一个由两个CNNs组成的HDR重建和色调映射的统一框架。它们是端到端的集成，用于联合训练和预测。在标准基准上的实验表明，该方法与目前最先进的图像校正方法相比具有良好的性能 。
现有的方法在校正曝光不足或过曝的图像方面存在一定的局限性，这是因为这些区域周围的像素值接近于0，而其中的细节会减少。目前的相机仍然需要摄影师曝光时间，而且依赖于相机的相应函数（CRFs）将一个自然场景（S）转换成一个LDR图像(I)。
然而，当选择了不合适的曝光时间时，现有的CRFs既不能纠正ccd中的原始数据，也不能纠正输出的LDR图像。这导致了在LDR图像中曝光不足/过曝。基于这个过程，本文作者提出DRHT 进行图像修正。它包含两个CNN网络。第一个CNN网络重建了HDR域中缺失的细节，第二个CNN网络将细节传输回LDR域中。通过往复的HDR变换过程，在中间HDR域中对LDR图像进行校正。
HDR Estimation Network:
网络基于全卷积的编解码网络
S 表示恢复的HDR数据，f1 是HDR Estimation Network, 网络参数为sigma1, 所有的卷积层都使用batch normalization 和 ELU **函数。
Loss function:
Y : ground truth HDR image
α和γ是两个常数, 非线性函数将HDR数据转化为LDR
在将这个网络与其他模块集成之前，我们预先对它进行了预训练。
LDR Correction Network：
结构于HDR estimation network 相同，目的是保存恢复的细节在LDR领域。
Loss function:
首先见HDR estimation network 得到的结果S 应用 反gamma 矫正 映射到 HDR域 得到 S_full。（因为S是LDR域），
log()函数是用于压缩的完整HDR域以实现收敛, 同时保持相对较大的强度范围, 和δ是一个小的常数避免零值。
： 一个平衡参数来控制HDR重建精度的影响。
联合训练策略：
我们开始训练编码器部分和LDR校正网络中最浅的解码器卷积层，方法是冻结所有其他更高的解码器卷积层的学习率。在训练过程中，逐步增加较高的解码器卷积层进行微调，同时降低编码器和较浅解码器卷积层的学习率。通过这种方式，该网络可以学习将HDR细节以一种由粗到细的方式传输到LDR域。
实现细节：
使用9×9和5×5的卷积核大小，为两个网络的前两个conv层及其对应的反卷积层生成64维特征图，其余的卷积核大小设置为3×3。
为使损失最小化，我们采用亚当优化的初始学习率为1e-2 300次迭代, 然后使用5e-5 带动量的学习率， β1 e-5 = 0:9 β2 = 0:998 进行100次迭代。
α=0:03，γ=0:45， δ=1/255
还进行了修剪梯度，以避免梯度爆炸的问题。一般训练时间为10天左右，测试时间为0.05s左右 一副256×512的图片。