realrep

DeCoMix-HDR es la implementación oficial de un método de aprendizaje profundo para la conversión generalizada de SDR a HDR. Está diseñado para manejar entradas SDR producidas por diversos estilos de mapeo de tonos y degradación, incluyendo diferentes curvas de tono, cambios de exposición, compresión de realces, cambios de saturación y dominantes de color. El método aprende una representación de degradación compartida y desenredada de atributos utilizando supervisión contrastiva consciente de luminancia y crominancia. Un codificador basado en UNet produce descriptores de degradación globales y locales. Los negativos candidatos se recopilan de versiones SDR de la misma escena HDR generadas con diferentes estilos de degradación, luego se clasifican utilizando la distancia de log-luminancia y la distancia de cromaticidad Yxy. La mezcla de representación guiada por clasificación interpola negativos seleccionados hacia claves positivas para crear negativos duros continuos. La red de Mapeo HDR Adaptativo a Degradación utiliza modulación densa de canal global y modulación dispersa de píxel local para reconstruir la salida HDR. Las muestras negativas y el codificador de momento se usan solo durante el entrenamiento; la inferencia requiere una imagen SDR y un punto de control entrenado. El repositorio sigue una estructura de estilo BasicSR e incluye puntos de entrada de entrenamiento y evaluación, archivos de configuración YAML, arquitecturas de modelos, cargadores de conjuntos de datos contrastivos, utilidades de pérdida y métrica, scripts de lanzamiento distribuido y ayudantes de preparación de conjuntos de datos. Un mapeo de papel a código identifica el envoltorio de entrenamiento, la arquitectura DAHM, el codificador contrastivo, el conjunto de datos de negativos clasificados, la rutina de mezcla latente, la lógica de entrenamiento por etapas y las claves de punto de control. El entorno de software documentado utiliza Python 3.8 o más reciente, PyTorch con CUDA, torchvision, kornia, lmdb y OpenCV. Los experimentos principales usan HDRTV4K o HDRTVDM para entrenamiento y evaluación de degradación conocida, y HDRTV1K para evaluación de degradación desconocida. Se espera que los conjuntos de datos estén en formato LMDB con metadatos de nombre y archivos de lista de negativos de luminancia y crominancia clasificados. Un script auxiliar puede crear enlaces simbólicos de conjuntos de datos y archivos de configuración locales y verificar los datos requeridos. El README proporciona comandos de entrenamiento de GPU única y distribuida, un cronograma predeterminado de 400,000 iteraciones, rutas de puntos de control y comandos de validación completa. Las salidas de evaluación incluyen mediciones de PSNR, SSIM y Delta E ITP. La tabla de resultados también informa HDR-VDP3. Los resultados representativos reportados son 31.20 PSNR y 0.9213 SSIM en degradaciones conocidas de HDRTV4K, y 29.12 PSNR y 0.9412 SSIM en degradación desconocida de HDRTV1K, y el README señala que los valores exactos dependen de la preparación del conjunto de datos, el punto de control y el entorno de evaluación. Algunos nombres históricos de clases RealRep y archivos permanecen para compatibilidad con registros de modelos y puntos de control. Las configuraciones de ablación, registros de entrenamiento, fuentes de documentos, figuras, PDFs, conjuntos de datos locales y salidas de experimentos no están incluidos en el paquete público.