题目：
NTIRE 2026 The 3rd Restore Any Image Model (RAIM) Challenge: Multi-Exposure Image Fusion in Dynamic Scenes (Track 2)
作者：
Lishen Qu; Yao Liu; Jie Liang; Hui Zeng; Wen Dai; Guanyi Qin; Ya-nan Guan; Shihao Zhou; Jufeng Yang; Lei Zhang; Radu Timofte; Xiyuan Yuan; Wanjie Sun; Shihang Li; Bo Zhang; Bin Chen; Jiannan Lin; Yuxu Chen; Qinquan Gao; Tong Tong; Song Gao; Jiacong Tang; Tao Hu; Xiaowen Ma; Qingsen Yan; Sunhan Xu; Juan Wang; Xinyu Sun; Lei Qi; He Xu; Jiachen Tu; Guoyi Xu; Yaoxin Jiang; Jiajia Liu; Yaokun Shi
单位：
OPPO研究院、南开大学、香港理工大学、维尔茨堡大学等
下载：
https://arxiv.org/pdf/2604.09030v1
代码：
https://github.com/qulishen/RAIM-HDR
本文是NTIRE 2026 RAIM挑战赛Track 2（动态场景多曝光图像融合）的赛事报告。该赛道聚焦于一个实用但极具挑战性的HDR成像场景：在存在物体运动、手持抖动和光照变化的条件下，将不同曝光等级的包围曝光序列融合为高质量图像。数据集包含100组训练序列（7个曝光等级）和100组测试序列（5个曝光等级），评估指标综合PSNR、SSIM和LPIPS计算排名分数。赛道共吸引114支队伍参赛，累计收到987次提交。
最终，来自武汉大学的WHU-VIP团队以58.889的综合得分夺冠，其方法基于AFUNet骨干网络，引入空间特征变换（SFT）模块和带可靠性门控的数据一致性模块（DCM-RG），并采用四阶段课程学习策略逐步提升重建质量。SHL团队（第二名）提出轻量级全局引导策略和邻域像素关系损失；nunucccb团队（第三名）采用基于上下文感知Vision Transformer的HDR-Transformer框架。前三名方法在两个测试阶段均保持稳定表现，体现了良好的泛化能力。
一句话总结：NTIRE 2026动态场景多曝光融合挑战赛发布了新基准数据集与评估协议，冠军WHU-VIP方案通过可靠性门控与课程学习有效抑制运动伪影，为移动端HDR成像提供了实用参考。
