是否有关于机器视觉技术的高动态范围与标准动态范围的优缺点的比较研究？
Any comparison studies of advantage and drawbacks of High vs Standard Dynamic Range for machine vision techniques?
我的直觉告诉我，高动态范围图像将为各种图像分割和其他低级视觉算法提供更稳定的特征和边缘 - 但它可能会以更多的比特领先更稀疏的特征以及生成 HDR 所涉及的额外成本，如果它需要使用曝光融合等而不是从硬件中导出的话。
任何人都可以指出关于该主题的任何研究，理想情况下，最好了解是否对使用标准和高动态范围图像的各种机器视觉技术进行了比较研究。
由于高动态范围 (HDR) 图像对从不同曝光级别的图像捕获的信息进行编码，因此与传统图像相比，它们提供了更多的视觉信息用于图像分割等计算机视觉任务的 LDR 图像序列。
HDR 输入图像有助于通过更好的特征学习和低级特征提取提高视觉模型的准确性，因为 更少的饱和（曝光过度或曝光不足）区域与 LDR 对应物相比，HDR 图像。
但是，使用 HDR 输入存在一些挑战，例如处理 HDR 图像所需的计算资源增加，以及避免学习稀疏特征所需的数据（由于精度提高）。
这是一篇比较机器视觉任务的 LDR 与 HDR 输入的研究文章：
Comparative Analysis between LDR and HDR Images for Automatic Fruit Recognition and Counting。
引用研究文章："The obtained results show that the use of HDR images improves the detection performance to more than 30% when compared to LDR".
以下是一些您可能会觉得有用的相关研究文章：
我的直觉告诉我，高动态范围图像将为各种图像分割和其他低级视觉算法提供更稳定的特征和边缘 - 但它可能会以更多的比特领先更稀疏的特征以及生成 HDR 所涉及的额外成本，如果它需要使用曝光融合等而不是从硬件中导出的话。
任何人都可以指出关于该主题的任何研究，理想情况下，最好了解是否对使用标准和高动态范围图像的各种机器视觉技术进行了比较研究。
由于高动态范围 (HDR) 图像对从不同曝光级别的图像捕获的信息进行编码，因此与传统图像相比，它们提供了更多的视觉信息用于图像分割等计算机视觉任务的 LDR 图像序列。
HDR 输入图像有助于通过更好的特征学习和低级特征提取提高视觉模型的准确性，因为 更少的饱和（曝光过度或曝光不足）区域与 LDR 对应物相比，HDR 图像。
但是，使用 HDR 输入存在一些挑战，例如处理 HDR 图像所需的计算资源增加，以及避免学习稀疏特征所需的数据（由于精度提高）。
这是一篇比较机器视觉任务的 LDR 与 HDR 输入的研究文章： Comparative Analysis between LDR and HDR Images for Automatic Fruit Recognition and Counting。 引用研究文章："The obtained results show that the use of HDR images improves the detection performance to more than 30% when compared to LDR".
以下是一些您可能会觉得有用的相关研究文章：