随着数字成像技术的高速发展,人们对数字图像质量需求也在日益提高,从而达到更逼真、更沉浸式的视觉体验。多曝光融合（Multi-Exposure Fusion,MEF）作为一种能够弥补真实场景与图像采集设备之间动态范围差距的技术手段,使得融合图像质量更佳,更能真实和生动的模拟现实场景,广泛受到国内外学者和相关技术厂商的关注。本文以卷积神经网络（Convolutional Neural Network,CNN）为基础,围绕静态场景融合中涉及的标注信息的缺失、不定曝光镜头的适用性以及融合图像细节信息保持等问题进行了深入研究,并对动态场景融合中涉及的由于相机抖动和前景运动等因素导致的空间信息不一致问题进行了深入挖掘和分析,重点研究如何使用卷积神经网络实现静态场景下不依赖标注信息的无监督学习和训练方法,着重探索如何消除动态场景曝光融合问题中出现的鬼影,文中涉及的主要工作及创新点主要包括以下几个方面:1.针对静态场景曝光融合中涉及的标注信息缺失和融合图像细节信息的缺失,提出了一种基于无参考损失函数的无监督CNN模型。通过分析图像质量评价指标与损失函数之间的耦合关系,构建了一种量化指标为导向、无需任何参考信息和标注信息的损失函数,使得网络能够以无监督训练方式进行更新和学习,并直接运用于彩色图像信息进行融合,避免了色度分解和多次空间转换。其融合结果可以直接观看,这也避免了色调映射这一中间过程。此外,通过梯形模糊隶属函数,构建了一种能够恢复图像中高频信息的梯度保真损失项,使得融合图像富含更多细节信息。该融合模型中的每个模块都蕴含了多种可替换方案,可以根据融合场景和数据特性进行替换和更改,以达到定性和定量评价更佳的融合结果。2.针对静态场景曝光融合中涉及的曝光镜头的不确定性和融合图像细节增强需求,提出了一种基于曝光引导的无监督多曝光CNN模型及其细节增强模型。首先,构建了一种曝光信息导向的特征合并方式,达到增强网络结构对曝光镜头数量的灵活性和防止特征退化的目的。其次,利用一组伪孪生编码器实现曝光信息的获取,同时利用注意力机制对曝光信息进行补充和抑制。然后,为了使融合结果更加精细,构造了多尺度空洞卷积模块,并搭建了集多尺度信息、全局残差的重构网络,使得融合结果更加精细和丰富。最后,分别通过梯度信息和结构张量,构建了两种不同的对图像细节信息进行增强的曝光信息导向的损失函数,使得融合结果更加丰富和生动,同时量化评价更优。3.针对动态场景曝光融合出现鬼影的现象,以光流思想为主导,提出了一种基于特征图光流配准的动态场景多曝光CNN融合模型,使得空间配准和曝光融合集成一体。该模型将图像的光流配准转化为特征的光流配准,避免了现有网络多次编码和解码造成的计算和结构冗余。以经典光流方法为基准,构建多尺度特征金字塔,对特征进行逐层配准,由粗尺度到细尺度渐进消除不同尺度的运动信息。为了精细的刻画空间配准关系,构造了多尺度的粗粒度光流估计,以及利用可变形成本量和泛函卷积模块构造的细粒度光流修正网络。此外,为了减少网络震荡,在经典HDR损失的基础上,构造了特征损失函数,来约束特征的曝光一致性和内容一致性。最终融合得到更少鬼影的动态场景融合图像。4.针对动态场景曝光融合中由于抖动或前景运动出现几何形变的问题,提出了一种基于特征可变形对齐网络的动态场景多曝光CNN融合模型,生成无鬼影的融合图像。通过分析CNN应用于复杂动态场景中的瓶颈,引入可变形卷积,增加其几何形变能力的同时,实现特征的空间信息配准。模型中构造了一种尺度自适应调节卷积模块,使得特征融合能够通过参数学习,退化为多种不同的卷积模块,朴素的实现了一种网络结构的学习方式。此外,为了加速网络收敛,从特征强度和结构相似方面对空间配准特征进行了约束。最终融合结果伪影信息更少。