[論文レビュー] HDR Reconstruction Boosting with Training-Free and Exposure-Consistent Diffusion

Yo-Tin Lin, Su-Kai Chen+3 more|arXiv (Cornell University)|Feb 23, 2026

Image Enhancement Techniques被引用数 0

ひとこと要約

トレーニング不要の拡散ベースのインペインティングフレームワークは、複数の露出間で輝度と質感の整合性を確保しつつ、過露出領域をもっともらしく埋めることで、既存のHDR再構成手法を強化します。追加の学習は不要。

ABSTRACT

Single LDR to HDR reconstruction remains challenging for over-exposed regions where traditional methods often fail due to complete information loss. We present a training-free approach that enhances existing indirect and direct HDR reconstruction methods through diffusion-based inpainting. Our method combines text-guided diffusion models with SDEdit refinement to generate plausible content in over-exposed areas while maintaining consistency across multi-exposure LDR images. Unlike previous approaches requiring extensive training, our method seamlessly integrates with existing HDR reconstruction techniques through an iterative compensation mechanism that ensures luminance coherence across multiple exposures. We demonstrate significant improvements in both perceptual quality and quantitative metrics on standard HDR datasets and in-the-wild captures. Results show that our method effectively recovers natural details in challenging scenarios while preserving the advantages of existing HDR reconstruction pipelines. Project page: https://github.com/EusdenLin/HDR-Reconstruction-Boosting

研究の動機と目的

• 情報が失われた極度の過露出シーンで堅牢なHDR再構成を動機付ける。
• 拡散事前知識を用いて間接的および直接的HDR手法を強化するトレーニング不要のパイプラインを開発する。
• 反復的なインペインティングと補正戦略を通じて露出間の輝度一貫性を保証する。
• モデルの学習を必要とせず、拡散ベースのインペインティングを既存のHDRパイプラインに統合する。

提案手法

• ControlNetによる深度/構造 conditioned インペインティング・バックボーンを用いて、テキストプロンプトに guided された過露出領域を埋める。
• スケジュール強度を持つ反復的なSDEditリファインメントを適用し、EV間の創造性と一貫性のバランスを取る。
• 各インペインティング後に補正ステップを実行して輝度下限制約とクロス-EV整合性を強制する。
• 信頼性の高いトーンマッピングとHDRマージのため、LDRスタックをEV括り画像として生成し、Debevec法で逆CRFを推定する。
• カバレッジマスクと輝度ベースの残差補償を実装して、生成コンテンツを物理的露出関係に段階的に整合させる。

Figure 2 : Overview of our training-free HDR reconstruction pipeline. Given an input LDR image (EV0), we generate bracketed LDR images using an existing HDR reconstruction method. Our iterative pipeline then enhances these results through (1) an inpainting stage guided by exposure and condition maps

実験結果

リサーチクエスチョン

• RQ1 トレーニング不要の拡散ベースのインペインティング・パイプラインは、複数のベースライン手法において過露出領域のHDR再構成を改善できるか。
• RQ2 追加の学習なしに、反復的インペインティングとHDRマージの際に跨ぎる露出（EV）整合性をどのように維持するか。
• RQ3 補正の役割は、反復を通じた輝度の下限とCRF安定性をどう高めるか。
• RQ4 提案手法は、異なる拡散バックボーンやベースラインHDR技術に対してどの程度一般化するか。

主な発見

• 提案手法は、ベースラインHDR手法を向上させた際にVDSおよびHDR-Eyeデータセットで非参照画像品質指標を一貫して改善した。
• 露出過剰領域（例：空の詳細）で知覚的リアリズムを向上させ、露出間の構造的一貫性を保持した。
• 学習不要のフレームワークが、CEVR、SingleHDR、GlowGAN、Deep Recursive HDRI、Multi-Exposure Generation などの手法と組み合わせた場合に複数のベースラインを凌駕する。
• SDEditの強度スケジューリングと補正パイプラインは、跨EVの整合性を維持しアーティファクトを防ぐ上で重要なアブレーションである。
• 拡散バックボーンの変化（SDXL vs SDXL Turbo）でも再学習なしで改善をもたらし、バックボーンの頑健性を示す。

Figure 3 : Limitations arising from naively combining indirect HDR reconstruction methods and over-exposed regions inpainting. Independent inpainting of each EV bracket, without cross-EV alignment, can introduce ghosting artifacts in the merged HDR result. These artifacts stem from inconsistencies i