Computer vision 机器视觉技术的高动态范围与标准动态范围的优缺点对比研究？

我的直觉是，高动态范围的图像将为各种图像分割和其他低水平视觉算法提供更稳定的特征和边缘，但如果需要，它可能会以更大的比特数产生更稀疏的特征以及生成HDR所涉及的额外成本使用曝光融合或类似方式而不是从硬件派生

有人能指出关于这个主题的任何研究吗？理想情况下，最好能找出是否有使用标准和高动态范围图像的各种机器视觉技术的比较研究

由于高动态范围（HDR）图像对从不同曝光级别的图像中捕获的信息进行编码，因此它们为计算机视觉任务（如图像分割）提供了比传统LDR图像序列更多的视觉信息

HDR输入图像通过更好的特征学习和低级特征提取，帮助提高视觉模型的准确性，因为与LDR图像相比，HDR图像中的饱和（过度曝光或曝光不足）区域较少

然而，使用HDR输入存在某些挑战，例如处理HDR图像所需的计算资源增加，以及由于精度提高而避免学习稀疏特征所需的数据增加

以下是一篇比较机器视觉任务的LDR和HDR输入的研究文章： . 引用研究文章：“获得的结果表明，与LDR相比，HDR图像的使用将检测性能提高了30%以上。”

下面是一些您可能会发现有用的相关研究文章：

由于高动态范围（HDR）图像对从不同曝光级别的图像中捕获的信息进行编码，因此它们为计算机视觉任务（如图像分割）提供了比传统LDR图像序列更多的视觉信息

HDR输入图像通过更好的特征学习和低级特征提取，帮助提高视觉模型的准确性，因为与LDR图像相比，HDR图像中的饱和（过度曝光或曝光不足）区域较少

然而，使用HDR输入存在某些挑战，例如处理HDR图像所需的计算资源增加，以及由于精度提高而避免学习稀疏特征所需的数据增加

以下是一篇比较机器视觉任务的LDR和HDR输入的研究文章： . 引用研究文章：“获得的结果表明，与LDR相比，HDR图像的使用将检测性能提高了30%以上。”

下面是一些您可能会发现有用的相关研究文章：