La síntesis de imágenes de alto rango dinámico (HDR) es una tecnología desarrollada para reproducir con precisión la escena real de una imagen en una pantalla mediante la ampliación del rango dinámico de una imagen. La tecnología de fusión de múltiples exposiciones (MEF), que sintetiza múltiples imágenes de rango dinámico bajo (LDR) para crear una imagen HDR, ha sido desarrollada de diversas formas, incluyendo métodos basados en píxeles, basados en parches y basados en aprendizaje profundo. Recientemente, se han estudiado principalmente métodos para mejorar la calidad de síntesis de imágenes utilizando algoritmos basados en aprendizaje profundo en el campo de MEF. A pesar de las diversas ventajas del aprendizaje profundo, los métodos basados en aprendizaje profundo tienen un problema en que se requieren numerosas imágenes multiexpuestas y de referencia para el entrenamiento. En este estudio, proponemos un método de aprendizaje auto-supervisado que genera y aprende imágenes de referencia basadas en imágenes de entrada durante el proceso de entrenamiento. Además, proponemos un método para entrenar un modelo de aprendizaje profundo para un MEF con múltiples tareas utilizando hiperparámetros dinámicos en las funciones de pérdida. Esto permite una optimización efectiva de la red a través de múltiples tareas y una síntesis de imágenes de alta calidad mientras se conserva una arquitectura de red simple. Nuestro método de aprendizaje aplicado al modelo de aprendizaje profundo muestra resultados de síntesis superiores en comparación con otros algoritmos existentes de síntesis de imágenes basados en aprendizaje profundo.