由于民用数字图像传感器动态范围的限制,设备常常难以同时记录自然场景中所有的动态范围,导致所得图像同时包含过曝光和欠曝光区域,这种图像被称为低动态范围(low dynamic range,LDR)图像。如今,科技的进步使得人们对图像质量要求越来越高,LDR图像已经逐渐不能满足要求,高动态范围(high dynamic range,HDR)成像技术应运而生,该技术通常使用多张不同曝光的LDR图像合成一张HDR图像。然而,现存的海量LDR图像通常不具备不同曝光的版本,如何将这些LDR图像转换成HDR图像从而提高它们的视觉质量成为了一个研究热点。从单张LDR图像生成相应HDR图像的算法常被称为逆色调映射算子(inverse tone mapping operators,iTMOs)。由于从LDR图像中恢复丢失的信息是一个典型的病态(ill-posed)问题,因此最近的 iTMOs 都使用复杂的卷积神经网络来实现从 LDR 图像生成HDR图像。然而这些方法需要很高的算力作为支撑,难以运行在手机等十分常用但计算资源有限的设备上,限制了它们的应用范围。有关感知研究表明,图像中的过曝光区域会极大地降低图像的感知质量。针对上述情况,本文设计了一个名为LiTMNet的轻量化神经网络,通过恢复LDR图像中过曝光区域的信息来重建出相应的HDR图像。LiTMNet采用编码器-解码器结构,同时使用跳跃连接将编码器的特征传输到同级的解码器单元上。LiTMNet包含了一个高效的上采样层,与传统的上采样层相比,该层不仅能够提升图像生成质量,而且能够有效地缩短网络运行时间。最终的HDR图像由网络预测和原LDR图像非线性地混合而成。定性和定量分析表明LiTMNet能够得到与当前最先进方法高度相似的结果,同时比之快37倍。LiTMNet能够被部署在移动设备上,实现从单张LDR图像端到端地生成HDR图像,扩展了 iTMOs的应用范围。考虑到目前主流手机通常配备千万像素级的图像传感器,如何处理高分辨率输入图像是目前以神经网络为核心的算法所普遍面临的难题,特别是在手机等计算资源有限的平台上该问题更加突出。为了解决这个问题,进一步提高LiTMNet的实用性,本文采用下采样-网络处理-引导上采样的方法,以LiTMNet为核心构建了一个适用于安卓平台的图像增强应用。为了解决过曝光图像用于引导上采样时出现的伪影问题,本文提出了一种高效的引导图生成方法。该应用可以在3秒内完成对1200万像素输入的处理,生成1200万像素的HDR图像,并经过色调映射(tonemapping)后显示在设备上。