LumiPic — 单图像 SDR 转 HDR LoRA
将标准动态范围（SDR）图像转换为高动态范围（HDR）EXR 文件 — 浮点值，其范围远远超出 8 位 SDR 输出所能承载的范围。
基于 LumiVid（论文）— Lightricks 研究引入了用于 HDR 生成的 LogC3 编码扩散模型。LumiPic 是将相同技术应用于单图像扩散转换器；该技术与基础模型无关。这里发布了两个在不同基础模型上训练的 LoRA 系列。
示例
20 张相同的 HDR 输出，在两个极端曝光偏移下查看 — 高光在 EV+6 时仍保持结构，阴影在 EV-6 时仍保留信息。
曝光 +6（高光压低）：
曝光 -6（阴影提亮）：
权重
Qwen-Image-Edit-2511（成熟版）
5 次以上训练迭代，每个 LoRA 563 MB。质量最佳，基础模型较大（约 54 GB）。
v5b_step2000.safetensors— Qwen 默认版。总体最稳健；在风格化/AI 生成的 SDR 输入上表现最佳。v9_step1500.safetensors— 替代版。与 LumiVid 对齐的增强（联合 HDR+SDR EV 偏移，亮度模糊 p=1.0）。在自然照片上略胜一筹。hdrdit_v1_QE2511.safetensors— 原始 v1 版本。
FLUX.2-klein-base-4B（alpha 版）
单次训练迭代，每个 LoRA 88 MB。Apache 2.0 许可基础模型，比 Qwen 小 5 倍，端到端速度最快。
klein4b_alpha_step1750.safetensors— klein-4B 默认版。忠实的 HDR 外观；平衡良好。klein4b_alpha_step1000.safetensors— 替代版。激进的 HDR（更高 p99）但倾向于过曝明亮的高光。
FLUX.2-klein-base-9B（alpha 版）
单次训练迭代，每个 LoRA 158 MB。更大的 klein 变体 — 容量更大，HDR 更细腻。基础模型在 Hugging Face 上受访问限制（首次运行前请在基础模型页面申请访问）。
klein9b_alpha_step2000.safetensors— klein-9B 默认版。稳定且表现良好（平均 p99 为 9.1，在我们的 20 图像基准测试中无场景过饱和）。klein9b_alpha_step1250.safetensors— 大多数“优质”场景（20 中有 13 个在 5-50 p99 范围内，0 个过饱和）。按场景质量计数实际上是最佳的。klein9b_alpha_step1000.safetensors— 最激进（平均 p99 为 20.6，但 4 个场景过饱和）。过拟合前的峰值 HDR 范围。klein9b_alpha_step{250,500,750,1500,1750}.safetensors— 中间快照，可供实验使用。
klein-9B 上的训练过拟合曲线很陡峭（平均 p99：1000=20.6 → 1250=11.1 → 1500=9.3 → 1750=9.6 → 2000=9.1）。Step 2000 是最安全的默认值；Step 1250 是实际使用的最佳点。
使用方法
Qwen-Image-Edit-2511：
from diffusers import QwenImageEditPipeline
import torch
from PIL import Image
pipe = QwenImageEditPipeline.from_pretrained("Qwen/Qwen-Image-Edit-2511", torch_dtype=torch.bfloat16)
pipe.load_lora_weights("oumoumad/LumiPic", weight_name="v5b_step2000.safetensors")
pipe = pipe.to("cuda")
image = Image.open("photo.jpg").convert("RGB")
output = pipe(prompt="Convert this image to HDR", image=image,
num_inference_steps=40, guidance_scale=3.0, output_type="pt")
# Decode LogC3 → linear HDR (see logc3.py in GitHub repo)FLUX.2-klein-base-4B / 9B（需要最前沿的 diffusers：pip install "git+https://github.com/huggingface/diffusers.git"）：
from diffusers import Flux2KleinPipeline
import torch
from PIL import Image
# 4B (Apache 2.0, ungated)
pipe = Flux2KleinPipeline.from_pretrained("black-forest-labs/FLUX.2-klein-base-4B", torch_dtype=torch.bfloat16)
pipe.load_lora_weights("oumoumad/LumiPic", weight_name="klein4b_alpha_step1750.safetensors")
# 9B (gated — accept license on HF first)
# pipe = Flux2KleinPipeline.from_pretrained("black-forest-labs/FLUX.2-klein-base-9B", torch_dtype=torch.bfloat16)
# pipe.load_lora_weights("oumoumad/LumiPic", weight_name="klein9b_alpha_step2000.safetensors")
pipe.enable_model_cpu_offload() # or pipe.to("cuda") if you have 32GB+
image = Image.open("photo.jpg").convert("RGB")
output = pipe(prompt="Convert this image to HDR", image=image,
num_inference_steps=25, guidance_scale=3.0, output_type="pt")完整的推理代码（含 EXR 输出）请参见 GitHub 仓库（Qwen 对应 inference.py，klein 对应 inference_klein.py）。
快速推理
git clone https://github.com/oumad/LumiPic.git && cd LumiPic
pip install -r requirements.txt
python inference.py --image photo.jpg # Qwen path (production)
python inference_klein.py --image photo.jpg # klein path (alpha)基础模型和LoRA权重会在首次运行时自动下载。
ComfyUI
三个即用型工作流：
SDR_To_HDR_QE11.json— Qwen-Image-Edit-2511SDR_To_HDR_klein4b.json— FLUX.2-klein-base-4BSDR_To_HDR_klein9b.json— FLUX.2-klein-base-9B
两者均使用 ComfyUI_Gear 中的 Gear · LogC3 Decode + Save EXR 节点进行 LogC3 解码和 EXR 写入。将 JSON 文件拖放到画布上，将匹配的 LoRA 文件放置在 ComfyUI/models/loras/{qwen,flux}/hdr/ 目录中，安装 ComfyUI_Gear，使用提示词 "Convert this image to HDR" 进行队列处理。
训练
- 技术：在 DiT transformer 上使用 LoRA（秩 32），训练以输出 ARRI LogC3 编码的 HDR
- 数据集：约 260–606 对多样化的 HDR 图像对（Poly Haven HDRIs、RED/ARRI 素材、CG 渲染图、Blender 场景），并通过曝光偏移、亮度模糊、对比度、JPEG 压缩和白平衡抖动进行数据增强
- 超参数：秩 32，alpha 32，bf16，AdamW 学习率 1e-4，flowmatch 调度器
- 步数：2000（Qwen 的最佳点约为 1500；klein-4B 的最佳点约为 1500–1750，HDR 峰值在 1000 步左右）
- 使用 Ostris AI-Toolkit 进行训练。Qwen LoRA 使用带有 float32
.npy目标的分支（npy-float32-targets branch）；klein LoRA 使用上游版本，并对flux2_model.py应用了 4 行 VAE 显存优化补丁。