核验结论

截至 2026年7月28日，在“三幅不同曝光、存在相机/物体运动的静态多曝光HDR去鬼影”方向中，严格同时满足以下条件的论文并不多：

1. 2025年或2026年正式发表；
2. SCI一区期刊或CCF A类会议；
3. 明确采用 Kalantari 和 Tel et al. 两个数据集；
4. 公开报告可核验的完整定量指标。

目前可以完整核验的核心工作有两项：

• AFUNet，ICCV 2025，CCF A
• Boosting HDR Image Reconstruction via Semantic Knowledge Transfer，IEEE TIP 2026，SCI一区

其中，“Tel数据集”应在论文中正式写作 Tel et al.’s dataset。该数据集包含108个训练样本和36个测试样本；Kalantari数据集包含74个训练样本和15个测试样本。两者均以每个场景三幅不同曝光的sRGB图像作为输入。(arXiv)

---

1. AFUNet：ICCV 2025，CCF A

论文：

X. Li, Z. Ni, W. Yang, AFUNet: Cross-Iterative Alignment-Fusion Synergy for HDR Reconstruction via Deep Unfolding Paradigm, ICCV 2025.

ICCV被CCF列为人工智能领域A类会议。AFUNet将HDR重建显式分解为“对齐子问题”和“融合子问题”，在深度展开的多个阶段中交替执行对齐与融合；其主要模块包括空间对齐模块SAM、空间融合模块SFM、通道融合模块CFM和数据一致性模块DCM，与您采用的“对齐模块—融合模块—微调/重建模块”技术路线十分接近。(CCF Website List)

AFUNet在两个数据集上的结果

以下指标来自AFUNet原论文的统一实验表。(arXiv)

数据集	PSNR-μ	PSNR-L	SSIM-μ	SSIM-L	HDR-VDP2
Kalantari	44.91	42.59	0.9923	0.9906	66.75
Tel et al.	43.31	47.83	0.9876	0.9959	71.08

与SCTNet的同协议比较

AFUNet原论文也重新列出了SCTNet结果，因此下列差值是在同一篇论文、同一评测协议下获得的，适合放进审稿回复。(arXiv)

数据集	方法	PSNR-μ	PSNR-L	SSIM-μ	SSIM-L	HDR-VDP2
Kalantari	SCTNet	44.43	42.21	0.9918	0.9891	66.64
	AFUNet	44.91	42.59	0.9923	0.9906	66.75
	AFUNet提升	+0.48	+0.38	+0.0005	+0.0015	+0.11
Tel et al.	SCTNet	42.55	47.51	0.9850	0.9952	70.66
	AFUNet	43.31	47.83	0.9876	0.9959	71.08
	AFUNet提升	+0.76	+0.32	+0.0026	+0.0007	+0.42

AFUNet的消融实验也直接证明了显式对齐模块的价值：仅使用SFM时Kalantari上的PSNR-μ为43.94 dB，增加SAM后达到44.48 dB；完整SAM、SFM、CFM和DCM组合达到44.91 dB。论文还发现“先对齐、后融合”的交替顺序优于“先融合、后对齐”。(arXiv)

对您论文的意义： 审稿人很可能会把AFUNet视为2025年最直接的对比方法。您的实验表中建议至少加入AFUNet，并通过消融实验说明您的对齐方法、频率融合方法与AFUNet空间/通道融合的区别。

---

2. Semantic Knowledge Transfer：IEEE TIP 2026

论文：

T. Hu, L. Wu, W. Dong, et al., Boosting HDR Image Reconstruction via Semantic Knowledge Transfer, IEEE Transactions on Image Processing, vol. 35, pp. 1910–1922, 2026, doi: 10.1109/TIP.2026.3652360.

该工作不是一个单独的固定HDR主干，而是一种可附加到现有模型训练阶段的增强框架。它引入语义先验引导重建模型SPGRM、内容与颜色层面的自蒸馏，以及语义知识对齐模块SKAM；推理阶段只保留优化后的原始HDR模型，不增加额外推理分支。论文分别增强了AHDR、HDR-Transformer和TMRNet。(PubMed)

公开的2025–2026期刊分区页面将IEEE TIP列为SCIE/Q1；但正式回复审稿人时，仍建议按贵单位采用的当年JCR或中科院分区版本核验。(LetPub)

Kalantari数据集结果

下表中的“+”表示采用Semantic Knowledge Transfer训练框架后的模型。(arXiv)

方法	PSNR-μ	PSNR-L	SSIM-μ	SSIM-L	HDR-VDP2
AHDR	43.62	41.03	0.9900	0.9862	71.08
AHDR+	44.24	41.54	0.9910	0.9880	71.24
HDR-Transformer	44.24	42.17	0.9916	0.9890	70.22
HDR-Transformer+	44.68	42.39	0.9918	0.9897	71.94
TMRNet	43.92	42.09	0.9907	0.9891	71.45
TMRNet+	44.49	42.39	0.9915	0.9895	71.79

主要提升为：

• AHDR+：PSNR-μ提高0.62 dB，PSNR-L提高0.51 dB；
• HDR-Transformer+：PSNR-μ提高0.44 dB，PSNR-L提高0.22 dB；
• TMRNet+：PSNR-μ提高0.57 dB，PSNR-L提高0.30 dB。(arXiv)

Tel et al.数据集结果

方法	PSNR-μ	PSNR-L	SSIM-μ	SSIM-L	HDR-VDP2
AHDR	41.92	45.20	0.9836	0.9942	70.19
AHDR+	43.18	46.97	0.9874	0.9955	72.34
HDR-Transformer	42.32	46.38	0.9843	0.9948	70.99
HDR-Transformer+	43.38	47.85	0.9879	0.9959	72.88
TMRNet	42.72	45.98	0.9867	0.9953	72.15
TMRNet+	43.15	47.19	0.9874	0.9961	72.22

在Tel数据集上提升更加明显：

• AHDR+：PSNR-μ提高1.26 dB，PSNR-L提高1.77 dB；
• HDR-Transformer+：PSNR-μ提高1.06 dB，PSNR-L提高1.47 dB；
• TMRNet+：PSNR-μ提高0.43 dB，PSNR-L提高1.21 dB。(arXiv)

对您论文的意义： 该论文可作为您“微调模块”或“二阶段优化策略”的最新对照。您需要明确说明自己的微调模块究竟属于残差细化、任务特定微调、知识蒸馏还是语义引导优化，并通过“无微调/有微调”的消融实验给出增益。

---

3. 与您的“频率融合＋对齐”高度相关的TIP 2026论文

论文：

T. Hu, Q. Yan, J. Jin, et al., Ghost-Free HDR Imaging via Latent Low-Frequency Priors and Deformable Attention Alignment, IEEE Transactions on Image Processing, 2026, doi: 10.1109/TIP.2026.3671656.

这篇论文是CVPR 2024工作LF-Diff的扩展版本。其核心是：

• 使用扩散模型生成紧凑的低频先验；
• 将低频先验送入回归式DHRNet恢复HDR细节；
• 新增可变形注意力对齐模块ADAM，通过相关性驱动的特征匹配学习可变形感受野，对多曝光LDR特征进行预对齐。(IEEE Xplore)

它与您的对齐模块＋频率融合模块几乎是必须讨论的最新工作。LF-Diff公开可核验的Kalantari结果为：

PSNR-μ	PSNR-L	SSIM-μ	SSIM-L
44.76	42.59	0.9919	0.9906

这些数字来自LF-Diff/CVPR 2024版本在后续论文中的统一比较表。当前可公开访问的TIP 2026元数据和摘要没有展示其最终Tel完整指标表，因此不建议在审稿回复中把上述数值写成“TIP 2026最终版本的新结果”；应标注为其会议版LF-Diff结果，或者从正式TIP全文中再次核对。(arXiv)

---

4. 与频率细节增强相关的TCSVT 2025论文

论文：

Q. Yan, K. Yang, T. Hu, et al., From Dynamic to Static: Stepwisely Generate HDR Image for Ghost Removal, IEEE Transactions on Circuits and Systems for Video Technology, vol. 35, no. 2, pp. 1409–1421, 2025, doi: 10.1109/TCSVT.2024.3467259.

该方法首先利用语义信息定位运动区域，通过扩散修复生成伪静态LDR图像；随后采用细节引导HDR生成网络，从伪静态图像提取高频细节，并通过细节增强模块改善HDR重建结果。该思路与您的频率融合及最终细化模块高度相关。(Northwestern Polytechnical University)

公开的2025–2026分区页面将TCSVT列为SCIE一区。(LetPub)

不过，当前公开摘要仅说明论文在四个公开数据集上进行了评测，没有公开具体的Kalantari和Tel完整表格。因此该论文适合放入相关工作和方法对比分析，但在获得正式全文实验表之前，不建议自行补写数值。

---

5. 指标使用时必须注意的口径问题

AFUNet原论文中，其HDR-VDP2为：

• Kalantari：66.75
• Tel：71.08

但Semantic Knowledge Transfer论文重新评测AFUNet时，得到：

• Kalantari：71.98
• Tel：73.22

PSNR和SSIM基本一致，HDR-VDP2却差异明显。原因是后者明确采用rgb-native色彩编码、display-referred数据、1000 nits峰值亮度、30°视角和0.55 m观看距离。(arXiv)

因此建议：

• PSNR-μ、PSNR-L、SSIM-μ、SSIM-L可优先作为跨论文主比较指标；
• HDR-VDP2只能在完全相同的显示亮度、观看距离、视角和代码版本下比较；
• 最好重新运行所有公开模型，而不是直接拼接不同论文中的HDR-VDP2；
• 实验表脚注中明确写出μ-law参数，通常为μ=5000，以及HDR-VDP2的显示参数。AFUNet明确使用μ=5000计算tone-mapped域损失和指标。(arXiv)

---

6. 建议您最终加入论文的最新对比对象

审稿回复和正文中，建议形成以下对比层次：

对比目的	推荐论文
与SCTNet相同的Transformer/语义路线	SCTNet
最新显式对齐＋融合路线	AFUNet，ICCV 2025
最新低频先验＋可变形对齐路线	Ghost-Free HDR Imaging，TIP 2026
高频细节生成与最终细化路线	From Dynamic to Static，TCSVT 2025
微调、蒸馏或附加训练增强路线	Semantic Knowledge Transfer，TIP 2026
频率域基础对照	LF-Diff，CVPR 2024

其中，审稿人要求的2025–2026定量表，现阶段最稳妥的核心应是：

1. SCTNet
2. AFUNet
3. 您的方法
4. 可选加入Semantic Knowledge Transfer中的HDR-Transformer+或TMRNet+，但必须注明它是“通用训练增强框架＋基础模型”，不能将其描述为单一HDR网络。

从现有结果看，您的方法至少应争取达到或超过以下竞争线：

• Kalantari：PSNR-μ约44.9 dB、PSNR-L约42.6 dB；
• Tel：PSNR-μ约43.3–43.4 dB、PSNR-L约47.8 dB。

若您的结果没有全面超过这些数值，仍可从参数量、FLOPs、推理速度、对大运动区域的鲁棒性、频率细节恢复和跨数据集泛化等角度建立贡献。

检索结论

截至 2026年7月29日，按照以下严格条件筛选：

• 2025或2026年正式发表的SCI期刊论文；
• 多曝光HDR重建／HDR去鬼影；
• 同时使用 Kalantari 和 Tel et al. 数据集；
• 实验表同时包含
  L-PSNR、μ-PSNR、PU-PSNR、L-SSIM、μ-SSIM、PU-SSIM；
• PU指标的数值能够从公开全文直接核验；

目前完全满足全部条件、公开全文可核验的论文只有1篇。另有1篇强候选论文明确报告PU指标，但公开页面尚不足以确认两个数据集上的完整六指标表；还有1篇同时使用两个数据集和PU指标，但缺少L域指标。

这里的“U-PSNR/U-SSIM”应规范写作 μ-PSNR/μ-SSIM，其中μ是希腊字母mu，不是英文字母U。

---

一、完全符合六指标要求的论文

1. Boosting HDR Image Reconstruction via Semantic Knowledge Transfer

作者： Tao Hu, Longyao Wu, Wei Dong, Peng Wu, Jinqiu Sun, Xiaogang Xu, Qingsen Yan, Yanning Zhang
期刊： IEEE Transactions on Image Processing
年份： 2026
卷： 35
DOI： 10.1109/TIP.2026.3652360
论文类型： SCI期刊论文。(PubMed)

该论文是目前能够确认同时满足以下条件的2025–2026年SCI论文：

• 同时测试Kalantari和Tel数据集；
• 同一张比较表包含L域、μ-law域和PU21域；
• 同时给出PSNR和SSIM；
• 因此具有完整的六项指标：
  • PSNR-L
  • PSNR-μ
  • PSNR-PU
  • SSIM-L
  • SSIM-μ
  • SSIM-PU

论文使用官方PU21实现计算PU指标，并给出了显示参数：display-referred HDR、峰值亮度1000 nits、观看视角30°、观看距离0.55 m。(arXiv)

Kalantari数据集结果

以下结果来自该论文统一评测表，已按照您要求的列顺序重新排列。(arXiv)

方法	L-PSNR	μ-PSNR	PU-PSNR	L-SSIM	μ-SSIM	PU-SSIM
NHDRR	41.43	42.41	42.97	0.9857	0.9877	0.9855
DHDR	41.23	42.67	41.83	0.9846	0.9888	0.9832
HDRGAN	41.57	43.92	44.03	0.9865	0.9905	0.9851
DiffHDR	41.73	44.11	43.81	0.9885	0.9911	0.9914
HyHDR	42.47	44.64	45.25	0.9894	0.9915	0.9928
SMHDR	42.61	44.69	45.30	0.9894	0.9920	0.9932
AFUNet	42.59	44.91	45.57	0.9906	0.9923	0.9935
SCTNet	42.21	44.43	44.27	0.9891	0.9918	0.9927
LF-Diff	42.59	44.76	45.28	0.9906	0.9919	0.9930
AHDR	41.03	43.62	42.93	0.9862	0.9900	0.9849
AHDR+	41.54	44.24	44.99	0.9880	0.9910	0.9925
HDR-Transformer	42.17	44.24	44.23	0.9890	0.9916	0.9924
HDR-Transformer+	42.39	44.68	45.27	0.9897	0.9918	0.9928
TMRNet	42.09	43.92	44.41	0.9891	0.9907	0.9918
TMRNet+	42.39	44.49	45.11	0.9895	0.9915	0.9928

从PU指标看：

• 最高PU-PSNR：AFUNet，45.57 dB
• 最高PU-SSIM：AFUNet，0.9935
• Semantic Knowledge Transfer增强后的HDR-Transformer+达到：
  • PU-PSNR：45.27 dB
  • PU-SSIM：0.9928
• TMRNet+达到：
  • PU-PSNR：45.11 dB
  • PU-SSIM：0.9928

---

Tel et al.数据集结果

以下结果同样来自该论文的统一评测表。(arXiv)

方法	L-PSNR	μ-PSNR	PU-PSNR	L-SSIM	μ-SSIM	PU-SSIM
NHDRR	39.61	36.68	37.06	0.9853	0.9590	0.9777
DHDR	43.37	40.05	40.46	0.9924	0.9794	0.9889
HDRGAN	45.23	41.87	42.13	0.9939	0.9832	0.9908
DiffHDR	45.66	42.19	42.51	0.9945	0.9843	0.9919
SMHDR	47.46	43.41	43.79	0.9952	0.9883	0.9941
AFUNet	47.83	43.31	43.72	0.9959	0.9876	0.9945
SCTNet	47.46	42.48	42.79	0.9952	0.9849	0.9924
AHDR	45.20	41.92	42.29	0.9942	0.9836	0.9919
AHDR+	46.97	43.18	43.61	0.9955	0.9874	0.9937
HDR-Transformer	46.38	42.32	42.64	0.9948	0.9843	0.9920
HDR-Transformer+	47.85	43.38	43.84	0.9959	0.9879	0.9943
TMRNet	45.98	42.72	43.23	0.9953	0.9867	0.9936
TMRNet+	47.19	43.15	43.47	0.9961	0.9874	0.9939

从PU指标看：

• 最高PU-PSNR：HDR-Transformer+，43.84 dB
• 最高PU-SSIM：AFUNet，0.9945
• SMHDR的PU-PSNR为43.79 dB；
• AFUNet的PU-PSNR为43.72 dB；
• AHDR+相对于AHDR，PU-PSNR从42.29提升至43.61 dB。

需要注意“+”方法的含义

AHDR+、HDR-Transformer+和TMRNet+并不是三个全新的独立网络，而是使用该论文提出的 Semantic Knowledge Transfer 框架重新训练或增强后的基础模型。因此，在自己的实验表中宜写成：

• AHDR + SKT
• HDR-Transformer + SKT
• TMRNet + SKT

避免把它们描述成独立的HDR架构。

---

二、明确包含PU指标，但完整六指标表尚待全文核验

2. Multi-exposure High Dynamic Range Reconstruction by Incorporating Imaging Knowledge

作者： Hu Wang, Mao Ye, Dengyan Luo, Yan Gan
期刊： Engineering Applications of Artificial Intelligence
年份： 2026
卷/文章号： 169, 114177
DOI： 10.1016/j.engappai.2026.114177。(ScienceDirect)

出版商页面明确说明该论文增加了以下扩展评价：

• PSNR-PU
• SSIM-PU
• HDR-VDP-3。(ScienceDirect)

因此，这篇论文是2026年HDR领域中与PU-PSNR和PU-SSIM高度相关的SCI论文。

但根据当前公开可访问的信息，尚不能严格确认：

1. PU指标是否同时在Kalantari和Tel两个数据集上报告；
2. 表格是否同时包含L、μ和PU三个域的完整六项指标；
3. 是否使用与IEEE TIP 2026论文完全相同的PU21显示参数。

所以该论文应列为：

PU指标强相关、需要从正式全文表格进一步核验的论文。

在未拿到其正式全文实验表之前，不建议直接把其PU数值和TIP 2026论文拼接到同一张对比表。

---

三、同时使用Kalantari与Tel并报告PU指标，但缺少L域指标

3. Ghost-free High Dynamic Range Imaging under Degradation with PINet

作者： Zhou Gong, Weiyu Zhou
期刊： Complex & Intelligent Systems
年份： 2026
卷/文章号： 12:130
DOI： 10.1007/s40747-026-02261-z
在线发表： 2026年3月5日。(Springer)

该论文同时在Kalantari和Tel数据集上报告了：

• μ-PSNR
• μ-SSIM
• PU-PSNR
• PU-SSIM

但是没有报告：

• L-PSNR
• L-SSIM

因此它不满足完整六指标条件，但对您重点关注的PU指标非常有参考价值。其比较表包含Kalantari、DHDR、AHDR、DAHDR、CA-ViT、SCTNet、AFUNet和PINet等方法。(Springer)

PINet论文中的PU结果

数据集	方法	μ-PSNR	PU-PSNR	μ-SSIM	PU-SSIM
Kalantari	AHDR	43.62	35.95	0.9900	0.9925
Kalantari	DAHDR	43.84	35.80	0.9908	0.9932
Kalantari	CA-ViT	44.32	35.26	0.9916	0.9927
Kalantari	SCTNet	44.43	34.25	0.9918	0.9927
Kalantari	AFUNet	44.91	35.77	0.9923	0.9935
Kalantari	PINet	44.89	36.17	0.9918	0.9938
Tel	AHDR	42.08	42.69	0.9837	0.9919
Tel	DAHDR	42.41	43.44	0.9787	0.9917
Tel	CA-ViT	42.39	43.20	0.9844	0.9919
Tel	SCTNet	42.55	44.16	0.9850	0.9924
Tel	AFUNet	43.31	43.84	0.9876	0.9942
Tel	PINet	43.64	44.15	0.9884	0.9949

需要特别注意：PINet论文中的PU-PSNR不能和前述TIP 2026论文的PU-PSNR直接比较。

---

四、PU-PSNR和PU-SSIM的关键口径问题

PU21的作用是把绝对线性HDR亮度映射到近似感知均匀的空间，然后再计算传统PSNR或SSIM。由于PU编码依赖绝对亮度范围和显示条件，PU-PSNR、PU-SSIM并不是天然统一的跨论文指标。(GitHub)

一个非常明显的例子是AFUNet在Kalantari数据集上的结果：

数值来源	AFUNet PU-PSNR	AFUNet PU-SSIM
TIP 2026 Semantic Knowledge Transfer	45.57	0.9935
2026 PINet论文	35.77	0.9935

同一个方法、同一个数据集，PU-PSNR相差约 9.8 dB。(arXiv)

这通常意味着两篇论文在以下方面存在差异：

• HDR图像缩放到绝对亮度的方式；
• 峰值亮度；
• PU21代码或版本；
• 输入RGB色彩空间；
• 是否使用display-referred数据；
• PSNR的最大值或归一化范围；
• 图像裁剪及边界处理。

因此，论文中不要把两种协议下的PU数值放在同一张表中直接排序。

---

五、最终建议罗列的论文

分类	年份	论文	期刊	两个数据集	PU指标	完整六指标
严格符合	2026	Boosting HDR Image Reconstruction via Semantic Knowledge Transfer	IEEE TIP	是	是	是
强候选，待全文核验	2026	Multi-exposure High Dynamic Range Reconstruction by Incorporating Imaging Knowledge	EAAI	尚需核验完整表	明确有	尚需核验
PU近匹配	2026	Ghost-free High Dynamic Range Imaging under Degradation with PINet	Complex & Intelligent Systems	是	是	否，缺L指标

可以用于审稿回复的结论

经检索2025–2026年多曝光HDR重建SCI期刊论文，目前可公开完整核验、同时在Kalantari和Tel数据集上报告L-PSNR、μ-PSNR、PU-PSNR、L-SSIM、μ-SSIM和PU-SSIM六项指标的论文主要为Hu et al.发表于IEEE Transactions on Image Processing的“Boosting HDR Image Reconstruction via Semantic Knowledge Transfer”。此外，Wang et al.发表于Engineering Applications of Artificial Intelligence的工作明确增加了PU-PSNR和PU-SSIM评价，但其两个数据集上的完整六指标结果需要从正式全文进一步核验；PINet发表于Complex & Intelligent Systems的工作同时报告了Kalantari和Tel上的PU指标，但没有提供L-PSNR和L-SSIM。

以上属于公开出版社页面、DOI记录和可访问全文范围内的核验结果；由于无法直接导出Web of Science完整订阅数据库，因此不宜声称绝对覆盖所有SCI收录记录。