特征融合论文《DeepUnsupervisedApproachforExposureFusionwithExtremeExposureImagePairs》

再接再厉。本文：https://arxiv.org/abs/1712.07384
ECCV2018那篇关于前景变换的内容，如果我能理解代码的话，可以简单介绍一下并附上代码，那篇确实非常出色。
Abstract
本研究采用一种深度学习技术对多曝光度静态图像进行融合处理。目前的多曝光图像融合方法主要依赖于人工设计的特征来整合输入图像序列。然而，面对不同的输入情况，这类低级的人工特征往往表现不够稳定。特别是在极端曝光组合的情况下，这些特征的效果更为有限。因此，亟需一种能够适应多种输入条件、保持良好性能，并且在处理极端曝光情况时不会引入伪影的方法。深度学习方法在应对不同输入条件方面具有较强的鲁棒性，并且在监督学习任务中表现出色。不过，将深度学习应用于多曝光融合（MEF）仍面临一些挑战：训练数据匮乏以及缺乏作为监督信号的真实标签（ground truth）。为了解决这些问题，我们构建了一个包含多种曝光度图片组合的数据集用于训练，并减少对真实标签的依赖性，提出了一种无监督的MEF深度学习框架，并采用无参考质量评估指标作为损失函数。所提出的方法利用新型CNN架构实现融合操作，在不使用真实标签的情况下完成训练过程。该模型通过整合从不同图像中提取的低级特征生成视觉效果良好且无伪影的结果。
通过对大量定量与定性实验的开展，验证了本研究所提方法相较于当前最先进的技术具有更优的