算法比较简单，尽量简单说。
文章：Fully-automatic inverse tone mapping algorithm based on dynamic mid-level tone mapping
（发的其实是比较水的期刊，可以看作一个启发吧）
目录
Part 1 原理
首先，用到的ITM函数为：
L是LDR图像的亮度，Lw是输出的HDR图像亮度，取决于显示器和图像本身（不是每个图像中的最亮值都要映射到显示器的最亮值。abcd都是参数，这个函数画出来像下面这样
参数 a 和 d 允许分别控制曲线的所谓脚趾（对比度）和肩部（扩展速度）的形状。
参数 mi 和 mo 充当曲线的锚点，并分别表示为输入 ILDR 定义的中间灰度值和输出 IHDR 中的预期中间灰度值。中间灰度值是感觉上大约介于黑白和亮度等级之间的色调。这些参数可用于控制 IHDR 的整体亮度。为此，参数 mi 设置为为 ILDR 预定义的中间灰度（例如 0.214 用于 RGB 线性 LDR 图像），mo 调整为 IHDR 中所需的中间灰度值。在实践中，这个操作可以看作是中级映射。 mo 值越低，IHDR 越暗，值越高越亮。
考虑以下约束：f (mi) = mo 和 f (1) = Lw,max。参数?b 和 c 可以计算如下：
上面的约束意味着mi 应该不等于 0（完全黑框）和 1（完全白框）
另外，上面的式子仅仅用于亮度通道。至于颜色，提出了一个“通过保留红色、绿色和蓝色通道之间的比率来重建彩色图像”的方法：
其中 CLDR 和 CHDR 分别表示 LDR 图像和 HDR 图像的颜色通道值（红色、绿色、蓝色）。参数 s 是色彩饱和度参数，可以补偿亮度扩展操作期间的饱和度损失。通过固定饱和度 (s)、对比度 (a) 和扩展速度 (d)，可以使用等式 (1)-(4) 轻松执行 ILDR 的扩展操作。另外，参数mo可以在不影响其中间色调的情况下更改生成的 HDR 图像的峰值亮度。
Part 2 参数自动化
首先计算了图像的上述统计数据。?
其中
这里其实a和d设置为1.25和4.0，s为1.25，Lwmax=0.67。主要研究m0如何设置。
实际上使用的是基于机器学习的方法，用了一个多线性回归。即，从上面的这些统计数据中学习其和m0的关系。
最终得到的模型为：
?通过以上的这些方程就可以进行LDR->HDR视频的重建了。
这是给出的一些实验结果，可以看出，这个色调映射没有过分提高图像的亮度，但是也拉伸了局部的地必读。图像亮部的亮度也上去了。后面我会补充一些自己的实验结果。
个人的实验结果
==============================更新：实验结果==============================
上面是原图，下面是RTM图像。
这里贴的图是直接用opencv的imshow看的，它的原理应该是将整个图像normalization到0~1中间再来看，这和实际的hdr图像观感差很多（实际没有这么暗）。这里也没有办法通过截图的方法展示效果，因为截图软件会将没有办法显示的动态范围给压缩，但是可以看出来思路整体是对的。
（吐槽一下文中给的默认参数Lw=0.67实际上不会提高图像的动态范围，我将这个值提高到3.5左右，才能得到效果比较好的HDR效果。
想要看HDR图像，你得需要一台HDR显示器，将图像保存为.exr格式，然后使用支持查看HDR图像的软件打开。
后面还会给出两张手机拍摄的HDR图像的对比，但是受限于手机相机的宽容度，实际观感也会有差，很难体会到HDR图像的高光冲击力。
?
当然，因为RTM过程并没有给原来的图像添加信息，所以如果说原来的图像完全就死白或者死黑，那怎么做RTM也是没有用的。
上图是在HDR设备上打开的效果，左边是HDR图像，右边是SDR图像。受限于手机的宽容度，实际上也没有办法拍出来左边图像的高光冲击力。但是可以看出来的是，左边的图像的云层层次感更加分明，细节也更多。
========================================================================
其它的一些思考
在这个global的方法中，其实也有一些drawback
比方说，它并不判断那里是光源，比方上面第三张图中的海浪的浪花，它虽然很白，但是并不应该具有很高的亮度。但是在RTM图像中，并没有考虑到这个，它赋予了这个浪花很高的luminance，稍微有一些突兀。
另外，由于不知名的原因：可能是对数域的计算，造成了一些锐度和细节的丢失。