基于权重图预测的快速多曝光图像融合算法

摘要

为了解决在原始分辨率空间学习的多曝光图像融合算法效率较低的问题，提出一种基于权重图预测的端到端学习策略.首先在降采样的低分辨率空间预测权重图，然后采用双三次上采样恢复到原始分辨率权重图，最后对输入多曝光图像序列加权融合.权重图预测网络采用了基于膨胀卷积的上下文聚合网络，此密集预测网络能够适应任意数量和分辨率的输入图像.整个预测网络使用了无参考的MEF-SSIM质量衡量因子作为目标函数.通过将预测模型对44组序列进行测试实验，并与5种代表性的多曝光融合方法进行质量和效率对比.结果表明，客观质量指标MEF-SSIM平均值除了比其中1种算法低0.001以外，其余均高于其他4种算法，而且平均运行速度比最快算法提高了30%以上.因此得出结论，低分辨率权重图预测结合双三次上采样的学习策略，在保证质量的前提下显著提升了融合效率.

关键词

深度学习 / 多曝光图像融合算法 / 双三次上采样 / 权重图预测