多帧高动态范围成像（High Dynamic Range Imaging, HDRI/HDR）旨在通过合并多幅不同曝光程度下的低动态范围图像，生成具有更宽动态范围和更逼真细节的图像。如果这些低动态范围图像完全对齐，则可以很好地融合为HDR图像，但是，实际拍摄到的图像容易受到相机、物体运动的干扰，三张低动态范围图像往往不能很好地得到对齐，直接对三图像做融合的话，所生成的图像容易产生伪影、重影，例如下图所示：

为了解决这一现象，传统的算法通常分为两类：在图像融合前对齐（align）图像或者拒绝（reject）不对齐的像素来去除重影，但精确地对齐图像或者精确地定位不对齐的像素往往难以实现，所生成的HDR图像效果并不好，因此现在常常以数据驱动的方法来训练CNN，利用CNN来实现图像的融合。

基于CNN的去重影方法主要分为两类：①利用单应性或光流法对LDR图像进行预对齐；②设计端到端的隐式对齐模块或者新颖的学习策略来处理重影。但是由于卷积局部性的限制，模型难以建立远程依赖（需要堆叠较深的卷积层来实现提高感受野的目的），如果图中物体的运动范围过大，则先前基于CNN的方法仍容易产生重影；同时由于在整幅图像中共享卷积核，因此卷积是内容无关的运算（content-independment），这一特性导致卷积运算忽略了不同图像区域的长距离强度变化，也就是卷积运算会平等地对待图像中的所有数据。（引入注意力机制可以解决这一问题）

对于模型的长距离建模能力，一个很好地策略就是利用transformer结构，例如ViT算法。然而，本文作者发现transformer结构并不能直接应用于HDR任务中，主要有两个原因：①transformer缺乏CNN中归纳偏差的能力（inductive biases），因此在数据量不足的情况下训练时泛化能力较差，模型性能不高；②帧内和帧间相邻像素之间的关系也对恢复图像的局部细节至关重要，而纯transformer结构难以提取局部上下文之前的关系。

注：在HDR任务中收集大量真实标记的样本成本过高，因此数据集往往有限。

对此，本文作者提出了一种上下文感知的ViT（Context-Aware Vision Transformer, CA-ViT），通过双分支架构来同时捕获全局和局部的依赖关系，也就是同时实现全局和局部的建模。对于全局分支，作者使用基于窗口的多头transformer编码器来捕远程上下文关系（即Swin transformer）；对于局部分支，作者设计了局部上下文提取器（local context extractor, LCE），通过卷积块来提取局部特征映射，并且通过通道注意力机制在多个帧特征之间选择有用的特征，抑制无用的特征，因此，CA-ViT结构可以使全局和局部以互补的方式发挥作用。基于CA-ViT结构，作者提出了用于HDR成像的transformer结构（HDR-Transformer）。

对于HDR-Transformer，主要包括两个模块：特征提取网络和HDR恢复网络，特征提取网络利用卷积运算和空间注意力模块来提取浅层特征，并且进行粗融合，有助于稳定transformer的训练和抑制图像中不对齐的像素。HDR重建模块以CA-ViT为基本组件，从全局和局部两个角度对图像建模，有助于重建高质量的HDR图像，同时无需堆叠非常深的卷积块。

在本文中，作者提出了一种双分支上下文感知Transformer，通过加入局部特征提取器（即引入卷积操作）来克服传统ViT在局部建模上的不足，扩展了标准的ViT模块，可以实现全局和局部上下文的同时建模。此外，基于所设计的CA-ViT模块，作者提出了用于HDR成像的HDR-Transformer网络，通过结合Transformer和CNN的优点，来有效地缓解HDR成像过程中容易产生重影的问题。