realrep

DeCoMix-HDR é a implementação oficial de um método de deep learning para conversão generalizada de SDR para HDR. Ele é projetado para lidar com entradas SDR produzidas por estilos variados de mapeamento de tom e degradação, incluindo diferentes curvas de tom, deslocamentos de exposição, compressão de realces, mudanças de saturação e distorções de cor. O método aprende uma representação de degradação compartilhada e desembaraçada de atributos usando supervisão contrastiva sensível à luminância e crominância. Um codificador baseado em UNet produz descritores de degradação globais e locais. Negativos candidatos são coletados de versões SDR da mesma cena HDR geradas com diferentes estilos de degradação, depois ranqueados usando distância de log-luminância e distância cromática Yxy. A mistura de representação guiada por ranque interpola negativos selecionados em direção a chaves positivas para criar negativos duros contínuos. A rede de Mapeamento HDR Adaptativo à Degradação usa modulação densa de canal global e modulação esparsa de pixel local para reconstruir a saída HDR. Amostras negativas e o codificador momentum são usados apenas durante o treinamento; a inferência requer uma imagem SDR e um checkpoint treinado. O repositório segue uma estrutura estilo BasicSR e inclui pontos de entrada de treinamento e avaliação, arquivos de configuração YAML, arquiteturas de modelo, carregadores de dataset contrastivos, utilitários de perda e métrica, scripts de lançamento distribuído e auxiliares de preparação de dataset. Um mapeamento artigo-código identifica o wrapper de treinamento, a arquitetura DAHM, o codificador contrastivo, o dataset de negativos ranqueados, a rotina de mistura latente, a lógica de treinamento em estágios e as chaves de checkpoint. O ambiente de software documentado usa Python 3.8 ou superior, PyTorch com CUDA, torchvision, kornia, lmdb e OpenCV. Os experimentos principais usam HDRTV4K ou HDRTVDM para treinamento e avaliação de degradação conhecida, e HDRTV1K para avaliação de degradação desconhecida. Os datasets são esperados no formato LMDB com metadados de nome e arquivos de lista de negativos ranqueados de luma e croma. Um script auxiliar pode criar links simbólicos de dataset e arquivos de configuração locais e verificar os dados necessários. O README fornece comandos de treinamento com GPU única e distribuído, um cronograma padrão de 400.000 iterações, caminhos de checkpoint e comandos de validação completa. As saídas de avaliação incluem PSNR, SSIM e medições Delta E ITP. A tabela de resultados também relata HDR-VDP3. Resultados representativos relatados são 31,20 PSNR e 0,9213 SSIM em degradações conhecidas do HDRTV4K, e 29,12 PSNR e 0,9412 SSIM em degradação desconhecida do HDRTV1K, com o README observando que os valores exatos dependem da preparação do dataset, checkpoint e ambiente de avaliação. Alguns nomes históricos de classe e arquivo RealRep permanecem para compatibilidade com registros de modelo e checkpoints. Configurações de ablação, logs de treinamento, fontes do artigo, figuras, PDFs, datasets locais e saídas de experimento não estão incluídos no pacote público.