高動態範圍（HDR）生成一直是生成式模型面臨的重大挑戰，現有模型大多隻能輸出低動態範圍的結果。最近基於擴散模型的方法透過生成多個曝光條件下的樣本來近似HDR，但這種方法不僅計算成本高昂，而且不同曝光之間的結構一致性難以保證。為此，來自研究人員提出了一種名為LatentHDR的新框架，該框架創新性地在潛空間中將場景生成與曝光建模進行解耦。
LatentHDR的核心思想是使用一個預訓練的擴散模型作為主幹網路，首先生成一個單一的、連貫的場景潛在表示。隨後，一個輕量級的條件潛空間對映頭（conditional latent-to-latent head）以確定性的方式將該表示對映到不同曝光條件下對應的特定表示。透過這種方式，模型只需一次前向傳播即可生成一個密集且結構一致的曝光棧，無需像傳統方法那樣多次執行擴散過程。這不僅確保了不同曝光之間的對齊，還大幅降低了計算開銷，計算量減少了大約一個數量級。
該框架支援文本條件和影像條件兩種HDR生成模式，並且既適用於透檢視像，也適用於全景影像。在合成資料以及SI-HDR基準上的實驗結果表明，LatentHDR在動態範圍指標上達到了最先進的水平，同時保持了有競爭力的感知質量。這一成果表明，透過結構化的潛空間建模可以實現高質量的HDR生成，挑戰了以往認為必須依賴隨機多曝光生成的觀點。
這項研究由Pedram Fekri等人完成，論文於2026年5月11日提交，內容涉及計算機視覺、圖形學和機器學習等多個領域。研究人員表示，相關程式碼和資料將在未來公開發布，以便於其他研究者復現和進一步探索。