Un equipo de investigadores de varias instituciones, entre ellas la Universidad Monash y Flinders University, ha desarrollado un nuevo marco semánticamente consciente y auto-supervisado para la traducción de imágenes sin emparejar de bajo rango dinámico (LDR) a alto rango dinámico (HDR). El método titulado “A Cycle Ride to HDR” aborda una importante brecha en el campo de la reconstrucción de imágenes HDR, permitiendo un entrenamiento efectivo sin la necesidad de datasets emparejados de alta calidad.

A diferencia de los enfoques tradicionales que requieren conjuntos de datos de {LDR, HDR} emparejados, este nuevo método utiliza una arquitectura adaptada de ciclo-consistente adversarial y datasets no emparejados. La innovación centrada en la consistencia semántica y el uso de generadores novedosos aborda las limitaciones, como el desdibujamiento no deseado y los artefactos visuales.

La contribución se basa en el uso de una arquitectura tipo U-Net modificada con mecanismo de retroalimentación ConvLSTM, lo que ayuda a mitigar los artefactos visuales. Además, se integra un codificador de embeddings CLIP que emplea el aprendizaje contrastivo para minimizar la diferencia semántica entre las imágenes LDR y las HDR reconstruidas.

Este método ha logrado resultados de vanguardia en varios conjuntos de datos de referencia, superando a los métodos actuales que dependen de datos emparejados. Se logra una reconstrucción límpida y efectivos de imágenes HDR de alta calidad, incluso desde imágenes LDR de una sola exposición.

La introducción de una función de pérdida basada en el índice de intersección sobre unión media añade un nivel adicional para mantener la consistencia semántica. Las validaciones experimentales exhaustivas han demostrado que todos los componentes propuestos contribuyen significativamente a la calidad de la reconstrucción HDR y al mejoramiento de gama dinámica baja a alta, siendo una solución innovadora y efectiva para el procesamiento de imágenes HDR.

En conclusión, esta investigación evidencia un avance importantísimo en el ámbito del procesamiento de imágenes HDR, proporcionando una alternativa que no depende de los costosos y escasos datasets emparejados, optimizando el resultado visual gracias a los elementos semánticos y la inteligencia artificial.