Um die Probleme der Herstellung von HDR-Bildern zu lösen, wie die lange Belichtungszeit für die Aufnahme mehrerer Belichtungen, das Verschieben von Frames in dynamischen Szenen, die hohe Anzahl von Algorithmenparametern und Berechnungen, basierend auf einer linear-logarithmischen Kamera, schlägt diese Studie einen leichten HDR-Bildfusion-Algorithmus vor und hat einen Datensatz mit Bildern in mehreren Graustufen gewonnen. Die vorgeschlagene Implementierungsmethode des Algorithmus umfasst ein verbessertes Residual-Multiskalenmodul zur Extraktion mehrschichtiger Eigenschaften des Eingangsbildes und zur Erhöhung der Merkmalsdimension; dann Einführen mehrschichtiger Eigenschaften in die Attention-UNet-Struktur mit separierbaren tiefen Faltungen zur Extraktion von mehrschichtigen Informationen und zur Fusion von Eigenschaften; dann die Verwendung von Punkt-für-Punkt-Faltungen zur Fusion von Tiefeneigenschaften des Bildes und zur Ausgabe eines hochdynamischen Bildes, das mit Standardanzeigegeräten kompatibel ist, ohne zusätzliche Farbabgleiche; schließlich Vergleichen der Leistung von Desintegrationsstrukturen, der Anzahl von Parametern und Berechnungen, um die optimale Lösung zu erhalten, die die Fusionseffizienz gewährleistet und gleichzeitig das Netzwerk leicht macht. Die experimentellen Ergebnisse zeigten, dass der in dieser Studie vorgeschlagene Algorithmus gute Leistungen in subjektiver visueller Wahrnehmung und objektiven Bewertungsindikatoren aufweist, MEF-SSIM ist 0,9866, VIF ist 1,76, AG ist 3,94, SF ist 14,32. Der vorgeschlagene HDR-Bildfusion-Algorithmus in dieser Studie behält eine ausgezeichnete Fusionsqualität und Robustheit zwischen Bildern in mehreren Graustufen bei und hat eine leichte Struktur. Das Volumen der Modellparameter in dieser Studie beträgt nur 0,612 MB und die Berechnungskomplexität beträgt 7,254 GFLOPs.

Hochdynamisches Bild; Bildfusion; Unüberwachtes Lernen; Aufmerksamkeitsmechanismus; Leichtigkeit