高动态范围（HDR）生成一直是生成式模型面临的重大挑战，现有模型大多只能输出低动态范围的结果。最近基于扩散模型的方法通过生成多个曝光条件下的样本来近似HDR，但这种方法不仅计算成本高昂，而且不同曝光之间的结构一致性难以保证。为此，来自研究人员提出了一种名为LatentHDR的新框架，该框架创新性地在潜空间中将场景生成与曝光建模进行解耦。
LatentHDR的核心思想是使用一个预训练的扩散模型作为主干网络，首先生成一个单一的、连贯的场景潜在表示。随后，一个轻量级的条件潜空间映射头（conditional latent-to-latent head）以确定性的方式将该表示映射到不同曝光条件下对应的特定表示。通过这种方式，模型只需一次前向传播即可生成一个密集且结构一致的曝光栈，无需像传统方法那样多次运行扩散过程。这不仅确保了不同曝光之间的对齐，还大幅降低了计算开销，计算量减少了大约一个数量级。
该框架支持文本条件和图像条件两种HDR生成模式，并且既适用于透视图像，也适用于全景图像。在合成数据以及SI-HDR基准上的实验结果表明，LatentHDR在动态范围指标上达到了最先进的水平，同时保持了有竞争力的感知质量。这一成果表明，通过结构化的潜空间建模可以实现高质量的HDR生成，挑战了以往认为必须依赖随机多曝光生成的观点。
这项研究由Pedram Fekri等人完成，论文于2026年5月11日提交，内容涉及计算机视觉、图形学和机器学习等多个领域。研究人员表示，相关代码和数据将在未来公开发布，以便于其他研究者复现和进一步探索。