암시적 신경 표현을 활용한 생성형 다중 노출 합성의 거칠기-세밀함 프레임워크

Coarse-to-fine Framework for Generative MEF via Implicit Neural Representation

다중 노출 합성(MEF)은 단일 노출로 획득할 수 있는 것보다 더 넓은 휘도 범위를 확장합니다. 서로 다른 노출 수준에서 촬영된 이미지를 결합하려면 기하학적 차이를 처리하면서 동시에 상호 보완적인 밝기 정보를 자연스럽게 병합해야 합니다. 종종 누락된 세부 사항을 생성적으로 완성하는 과정이 필요합니다. 확산 기반의 생성 모델은 이러한 과제를 해결하지만, 계산 비용이 많이 들고 포화 영역에서 미세 구조를 유지하는 데 어려움을 겪습니다. 본 논문에서는 생성형 MEF에서 품질과 효율성의 균형을 맞추는 거칠기-세밀함 프레임워크인 LIIFusion을 제안합니다. 거친 단계에서는 적응적 노출 보정을 통해 과다 노출 영역에서 손실된 구조를 복구하면서 저해상도 생성 합성으로 시작합니다. 세밀한 단계에서는 로컬 암시적 이미지 함수를 다중 노출 합성 함수로 조정하며, 고해상도 오버/언더 노출 소스 및 거친 단계의 출력에 조건을 부여하여 임의의 대상 좌표를 쿼리하고 고해상도 입력 해상도와 관계없이 소스 정보를 병합합니다. LIIFusion은 기존의 생성 모델보다 최대 3.5배 빠른 속도를 제공하면서 구조적 충실성과 인지적 품질을 유지하거나 향상시킵니다. 본 프레임워크는 생성형 MEF를 실제 응용 분야에서 더욱 실용적으로 만드는 효과적인 방법을 제시한다고 생각합니다.

Multi-exposure fusion (MEF) expands the luminance range beyond what a single exposure can capture. Combining images taken at different exposure levels requires handling geometric differences while naturally merging their complementary brightness information. It often demands generative completion where details are missing. Diffusion-based generative methods address these challenges, however, they are computationally expensive and struggle to preserve fine structures in saturated regions. We propose LIIFusion, a coarse-to-fine framework that balances fusion quality and efficiency in generative MEF. The coarse stage performs low resolution generative fusion, enhanced by an adaptive exposure correction that recovers structure lost in saturated over-exposed areas. The fine stage adapts a local implicit image function into a multi-exposure fusion function: conditioned on the HR OE/UE sources and the coarse output, it queries arbitrary target coordinates and fuses source evidence regardless of the HR input resolution. LIIFusion achieves up to 3.5$\times$ speed-up over existing generative methods while maintaining or improving structural fidelity and perceptual quality. We believe this framework provides an effective pathway toward making generative MEF more practical in real-world applications.