【源码】基于PyTorch框架的高动态范围图像重建系统

项目简介

本项目专注于高动态范围（HDR）成像技术，借助深度学习方法，解决传统成像技术在动态范围上的局限。通过实现基于金字塔可变形卷积的多曝光HDR重建算法和双分支网络引导的HDR图像重建算法，处理低动态范围（LDR）图像，生成亮度范围更广、细节更丰富的HDR图像。

项目的主要特性和功能

1. 两种核心算法实现：涵盖基于金字塔可变形卷积的多曝光HDR重建算法和双分支网络引导的HDR图像重建算法，从不同角度处理LDR图像，生成高质量HDR图像。
2. 特征提取与对齐：金字塔可变形卷积模块可有效提取多层次特征并对齐图像，减少运动伪影，提升图像重建质量。
3. 注意力机制优化：双重注意力协同机制通过通道注意力模块、局部残差组和空间注意力模块，自适应筛选和聚焦特征，增强模型对图像不同区域的感知能力。
4. 双分支结构融合：双分支网络引导的算法通过多曝光融合分支和单曝光增强分支，综合多曝光图像特征和参考图像细节，融合生成细节丰富的HDR图像。
5. 性能评估指标：采用峰值信噪比（PSNR）、结构相似度指数度量（SSIM）和HDR视觉差异预测器（HDR - VDP - 2）等指标评估重建图像质量。

安装使用步骤

1. 环境搭建：确保已安装Python环境，使用pip或conda安装PyTorch、torchvision及其他必要的依赖库。
2. 数据集准备：下载并准备Kalantari发布的数据集，该数据集包含74个训练序列和10个测试序列，每个序列由3张不同曝光的LDR图像和1张对应的高质量HDR图像组成。对图像进行随机裁剪、翻转和旋转等预处理操作。
3. 模型训练：运行项目中提供的训练脚本，根据实际情况调整超参数，如学习率、批次大小等，开始训练基于金字塔可变形卷积和双分支网络的模型。
4. 模型评估：使用测试脚本，将训练好的模型应用于测试数据集，计算PSNR、SSIM等评估指标，评估模型性能。
5. 图像重建：将训练好的模型用于新的LDR图像，进行HDR图像重建，得到高质量的HDR图像。

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】