論文來源：
DualCNN
概述：總的來說就是將structure和details分開訓練，在最後整合。
主要的特點：在於由S,D,以及S和D相加重構除的最終結果與實際標籤之間的loss，總的來說就是在loss函數上做出了一些創新。
Deep SR-ITM
概述：聯合super-resolution（SR）和inverse tone-mapping（ITM），恢復高頻細節for SR， 恢復局部對比度for ITM。
Hard：
1、LR圖像因爲分辨率降低高頻細節會丟失；
2、在SDR圖像中，與HDR圖像相比，對比度和局部細節的局部變化會隨着信號範圍（幅值）的減小而丟失。
主要目標是恢復細節和對比度，增加空間分辨率和信號幅值。
顏色色域必須從BT.709擴展到BT.2020，每位深度從8 bits/pixel增加至10 bits/pixel。這裏似乎是存在的，因爲在之前的重建圖像中，重建圖像亮度是與GT相比是暗一些。
渲染處理管道的比較。SDR到HDR視頻格式之間的(a)線性域，(b)像素域預測方法
DSGAN
DSGAN在小規模按比例縮小的圖像中引入自然圖像特徵。可以在HR圖像上以無監督的方式對其進行訓練，從而生成具有與原始圖像相同特徵的LR圖像。提高了其在現實世界圖像上的性能。此外，將低圖像頻率和高圖像頻率分開，並在訓練期間對其進行不同的處理。由於低頻通過下采樣操作得以保留，僅對抗訓練即可修改高頻。
可視化的結構下采樣設置。B爲雙三次降階方法，紫色區域爲高、低通濾波器。紅色三角形表示損失函數，橙色區域表示神經網絡。
引入自然圖像特徵，將低頻和高頻分開低頻通過下采樣操作得以保留。
重點：Loss
顏色損失：迫使網絡保持的原始圖像低頻和一個敵對損失，使產生的高頻看起來更像源圖像。
感知損失：將輸出推向看起來類似於輸入圖像解決辦法。
另一方面，諸如色彩之類的低圖像頻率被保留到一定程度，這取決於縮小因子。通過將對抗損失限制爲高頻，我們大大降低了任務的複雜性。這有助於鑑別器將注意力集中在相關的圖像特徵上，而使其他特徵保持不變。
我們將多個損失函數合併到訓練模型中。生成器損失包括三種不同的損失:顏色損失I_(col,d)，感知損失I_(per,d)和紋理損失I_(tex,d)，這是一種對抗性損失。
色彩損失集中在圖像的低頻上。由於我們不想改變x_b的低頻率，我們對這些頻率施加L_1損失以使它們接近輸入。
