Kuijper, ArjanWirth, TristanLieske, JonathanJonathanLieske2025-07-282025-07-282025https://publica.fraunhofer.de/handle/publica/490020In order to accurately capture a scene’s radiance, a camera needs to record the incoming light intensity in High Dynamic Range (HDR). Most cameras however, operate in Low Dynamic Range (LDR), which leads to missing details and under- or overexposed regions in the produced images. Similarly, when reconstructing a scene using 3D Gaussian Splatting (3DGS), an accurate representation of the scene’s lighting conditions requires the colors to be captured in HDR. However, most HDR 3DGS techniques require HDR or multi-exposure input images, which are difficult to acquire in a casual setting. Instead, this thesis explores single-exposure HDR 3DGS by proposing a pipeline that makes use of Inverse Tone Mapping in order to generate the necessary training data for an HDR 3DGS model from single-exposure input images. Additionally, different variations to that pipeline are presented and evaluated on their impact on the quality of the rendered images. Extensive experiments show that the proposed architecture can adequately reconstruct a 3D Gaussian point cloud in LDR with free control over the exposure time, as well as in HDR, from only single-exposure, multi-view input images.Um eine Szene in vollem Detail aufzunehmen, muss eine Kamera die einfallende Lichtintensität in High Dynamic Range (HDR) erfassen. Die meisten Kameras arbeiten allerdings in Low Dynamic Range (LDR), was dafür sorgt dass in den produzierten Bildern Details verloren gehen oder Regionen unter- beziehungsweise überbeleuchtet erscheinen. Ähnlich verhält es sich auch bei der Rekonstruktion einer Szene mithilfe von 3D Gaussian Splatting (3DGS). Auch hier setzt ein akkurates Erfassen der Beleuchtungseigenschaften voraus, dass die wahrgenommenen Farben in High Dynamic Range (HDR) beschrieben werden. Allerdings setzen die meisten HDR 3DGS-Verfahren dafür Bilder in HDR oder mit mehreren verschiedenen Belichtungszeiten als Eingabe voraus, welche in alltäglichen Situationen nur schwierig erzeugt werden können. Stattdessen erforscht diese Abschlussarbeit HDR 3DGS mit Eingabedaten in konstanter Belichtungszeit. Dazu wird eine vollumfängliche Pipeline vorgestellt, welche Inverse Tone Mapping verwendet um die notwendigen Trainigsdaten für ein HDR 3DGS-Modell aus diesen Bildern zu erzeugen. Außerdem werden verschiedene Verfahren vorgestellt und ausgewertet, die die Qualität der erzeugten Bilder weiter verbessern sollen. Umfangreiche Experimente mit der vorgestellten Architektur zeigen, dass sie in der Lage dazu ist, eine Szene hinreichend gut, nur mithilfe von Bildern mit konstanter Belichtung, in Form einer Punktwolke aus dreidimensionalen Gaussfunktionen zu rekonstruieren. Dabei kann die Szene entweder in HDR, oder in LDR mit frei wählbarer Belichtungszeit betrachtet werden.enBranche: Information TechnologyResearch Line: Computer graphics (CG)Research Line: Computer vision (CV)Research Line: Machine learning (ML)LTA: Machine intelligence, algorithms, and data structures (incl. semantics)High dynamic range imaging (HDRI)Deep learningImage synthesismaster thesis