通过提出基于梯度上升优化处理的自适应分块算法与基于图像序列梯度域运动检测与去除相结合的方法，自适应调整分块大小及动态区域块的融合权值，最终达到混淆去除的目的。同时，利用Gaussian中心函数窗口滤波，去除在分块融合过程中引入的块边缘不连续性痕迹。实验结果表明，该方法能快速有效地增强多曝光图像融合生成HDRI并去除混淆问题。

超高分辨率matlab代码HDRI-SR Jae Woong Soh、Jae Sung Park 和 Nam Ik Cho 环境 Ubuntu 18.04 CUDA 9.0 和 cuDNN 7.1 Python 3.6 MATLAB 抽象的 本文提出了一种基于卷积神经网络 (CNN) 的联合增强图像分辨率和动态范围的新框架，即同步超分辨率 (SR) 和高动态范围成像 (HDRI)。 从这两个任务的共同趋势来看，我们通过专注于高频细节的重建，为联合 HDRI 和 SR 训练了一个 CNN。 具体来说，我们工作中的高频分量是根据基于 Retinex 的图像分解的反射分量，只有反射分量由 CNN 处理，而另一个分量（照明）以常规方式处理。 在训练 CNN 时，我们设计了一个适当的损失函数，有助于提高结果图像的自然质量。 实验表明，我们的算法优于基于 CNN 的 SR 和 HDRI 的级联实现。 我们提出的方法的简要说明 拟议计划的整体流程 LDR-LR 输入首先分解为照明和反射分量。 ILL-E 和 REF-E 分别对每个组件进行增强，最后合并在一起以生成 HDR-SR 图像。 图像分解 首