该研究“超分辨率重建matlab代码-HDRI-SR”（发表于IEEEAccess，2019）涉及从单一图像中同时实现高动态范围成像和超分辨率。

简介：
本文详细阐述了一种创新框架，该框架利用卷积神经网络（CNN）同时提升图像的分辨率和动态范围，旨在解决超高分辨率图像处理与高动态范围成像的挑战。该研究由JaeWoong Soh、JaeSung Park和NamIk Cho团队在Ubuntu 18.04环境下，结合CUDA 9.0和cuDNN 7.1以及Python 3.6和MATLAB开发而成。 该框架的核心在于通过专注于高频细节的重建，为联合超分辨率（SR）和高动态范围成像（HDRI）训练了一个专门设计的CNN。具体而言，我们针对图像的高频分量采用了基于Retinex图像分解的反射分量进行处理，而照明分量则采用传统的处理方式。为了优化CNN的训练效果，我们精心设计了一个合适的损失函数，以显著提升生成图像的自然度和真实感。实验结果表明，所提出的算法在性能上超越了基于CNN的级联实现方法。 本研究旨在提供一种整体流程的简要说明：首先，原始低动态范围（LDR）图像被分解为照明和反射分量。随后，ILL-E 和 REF-E 对这两个组件分别进行增强处理，最后将增强后的结果合并以生成最终的高动态范围超分辨率（HDR-SR）图像。