論文の概要: Deploying Image Deblurring across Mobile Devices: A Perspective of Quality and Latency

• arxiv url: http://arxiv.org/abs/2004.12599v1
• Date: Mon, 27 Apr 2020 06:32:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 05:47:51.866054
• Title: Deploying Image Deblurring across Mobile Devices: A Perspective of Quality and Latency
• Title（参考訳）: モバイルデバイスにイメージをデプロイする - 品質とレイテンシの観点から
• Authors: Cheng-Ming Chiang, Yu Tseng, Yu-Syuan Xu, Hsien-Kai Kuo, Yi-Min Tsai, Guan-Yu Chen, Koan-Sin Tan, Wei-Ting Wang, Yu-Chieh Lin, Shou-Yao Roy Tseng, Wei-Shiang Lin, Chia-Lin Yu, BY Shen, Kloze Kao, Chia-Ming Cheng, Hung-Jen Chen
• Abstract要約: 携帯型ネットワークアーキテクチャを探索し、モバイルデバイス間で品質と品質のトレードオフを改善する。 本稿では,レイテンシと画質の両方について詳細な解析を行うための総合的な実験と比較を行った。 私たちの知る限りでは、この論文はモバイルデバイス全体にわたるイメージデブラリングタスクのすべてのデプロイ問題に対処する最初の論文です。
• 参考スコア（独自算出の注目度）: 11.572636762286775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, image enhancement and restoration have become important applications on mobile devices, such as super-resolution and image deblurring. However, most state-of-the-art networks present extremely high computational complexity. This makes them difficult to be deployed on mobile devices with acceptable latency. Moreover, when deploying to different mobile devices, there is a large latency variation due to the difference and limitation of deep learning accelerators on mobile devices. In this paper, we conduct a search of portable network architectures for better quality-latency trade-off across mobile devices. We further present the effectiveness of widely used network optimizations for image deblurring task. This paper provides comprehensive experiments and comparisons to uncover the in-depth analysis for both latency and image quality. Through all the above works, we demonstrate the successful deployment of image deblurring application on mobile devices with the acceleration of deep learning accelerators. To the best of our knowledge, this is the first paper that addresses all the deployment issues of image deblurring task across mobile devices. This paper provides practical deployment-guidelines, and is adopted by the championship-winning team in NTIRE 2020 Image Deblurring Challenge on Smartphone Track.
• Abstract（参考訳）: 近年,スーパーレゾリューションや画像デブラリングなど,モバイル機器における画像強調や復元が重要になっている。 しかし、ほとんどの最先端のネットワークは計算の複雑さが非常に高い。 これにより、レイテンシが許容されるモバイルデバイスへのデプロイが困難になる。 さらに、異なるモバイルデバイスにデプロイする場合、モバイルデバイス上のディープラーニングアクセラレータの違いと制限のために、レイテンシのばらつきが大きい。 本稿では,モバイル機器間の品質・レイテンシのトレードオフを改善するために,ポータブルネットワークアーキテクチャの探索を行う。 さらに,画像デブラリングタスクにおけるネットワーク最適化の有効性について述べる。 本稿では,レイテンシと画質の両方について詳細な分析を行うため,包括的な実験と比較を行う。 以上の作業を通じて、ディープラーニングアクセラレーターの高速化により、モバイルデバイスへのイメージデブロアリングアプリケーションのデプロイに成功したことを実証する。 私たちの知る限りでは、この論文はモバイルデバイス全体にわたるイメージデブラリングタスクのすべてのデプロイ問題に対処する最初の論文です。 本論文は,NTIRE 2020 Image Deblurring Challenge on smartphone Trackで優勝チームによって採用されている,実用的なデプロイメントガイドを提供する。

関連論文リスト

• MobileMEF: Fast and Efficient Method for Multi-Exposure Fusion [0.6261722394141346]
  本稿では,エンコーダ・デコーダ深層学習アーキテクチャに基づくマルチ露光融合手法を提案する。 我々のモデルは、中距離スマートフォンで2秒未満で4K解像度画像を処理できる。
  論文  参考訳（メタデータ） (2024-08-15T05:03:14Z)
• Real-Time Image Demoireing on Mobile Devices [59.59997851375429]
  本稿では,モバイルデバイス上でのリアルタイム展開に向けた動的復号化高速化手法(DDA)を提案する。 私たちの刺激は、モアレパターンが画像全体に不均衡に分散されることが、シンプルで普遍的な事実に起因しています。 提案手法は推定時間を劇的に短縮し,モバイルデバイス上でリアルタイムな画像復調を実現する。
  論文  参考訳（メタデータ） (2023-02-04T15:42:42Z)
• Real-Time Under-Display Cameras Image Restoration and HDR on Mobile Devices [81.61356052916855]
  アンダーディスプレイカメラ(UDC)によって撮影された画像は、その前のスクリーンによって劣化する。 画像復元のためのディープラーニング手法は、キャプチャ画像の劣化を著しく低減することができる。 我々は,視覚的UDC画像復元とHDRのための軽量なモデルを提案し,スマートフォン上での様々な手法の性能と実行状況を比較したベンチマークを提供する。
  論文  参考訳（メタデータ） (2022-11-25T11:46:57Z)
• Perceptual Image Enhancement for Smartphone Real-Time Applications [60.45737626529091]
  本稿では,知覚的画像強調のための軽量ネットワークLPIENetを提案する。 我々のモデルは、ノイズアーティファクト、回折アーティファクト、ぼかし、HDR過剰露光を扱うことができる。 我々のモデルは、中級商用スマートフォンで1秒未満で2K解像度画像を処理することができる。
  論文  参考訳（メタデータ） (2022-10-24T19:16:33Z)
• Real-Time Quantized Image Super-Resolution on Mobile NPUs, Mobile AI 2021 Challenge: Report [67.86837649834636]
  我々は,エンド・ツー・エンドのディープラーニングベースの画像超解像ソリューションを開発することを目的とした,最初のモバイルaiチャレンジを紹介する。 提案されたソリューションは、すべての主要なモバイルAIアクセラレータと完全に互換性があり、40-60ms以下のフルHDイメージを再構築することができる。
  論文  参考訳（メタデータ） (2021-05-17T13:34:15Z)
• Fast Camera Image Denoising on Mobile GPUs with Deep Learning, Mobile AI 2021 Challenge: Report [64.09439666916465]
  最初のMobile AIチャレンジでは、エンドツーエンドのディープラーニングベースの画像記述ソリューションの開発を目標としています。 提案したソリューションは任意のモバイルGPUと完全に互換性があり、480pの解像度画像を40-80msで処理できる。
  論文  参考訳（メタデータ） (2021-05-17T13:27:56Z)
• Facial Masks and Soft-Biometrics: Leveraging Face Recognition CNNs for Age and Gender Prediction on Mobile Ocular Images [53.913598771836924]
  スマートフォンで撮影した自撮り眼画像を使って年齢や性別を推定します。 ImageNet Challengeの文脈で提案された2つの既存の軽量CNNを適応させる。 一部のネットワークは顔認識のためにさらにトレーニングされており、非常に大規模なトレーニングデータベースが利用可能です。
  論文  参考訳（メタデータ） (2021-03-31T01:48:29Z)
• Mobile-end Tone Mapping based on Integral Image and Integral Histogram [6.078183247169192]
  広ダイナミックレンジ(WDR)画像トーンマッピングは、フィルム製造、セキュリティ監視、写真撮影など、多くのアプリケーションで高い需要がある。 本稿では,高性能なモバイル用WDR画像トーンマッピングの実装について紹介する。
  論文  参考訳（メタデータ） (2021-02-02T04:01:46Z)
• Real-time single image depth perception in the wild with handheld devices [45.26484111468387]
  主な2つの問題は、電球内のハンドヘルドデバイスからの深さ推定を制限している。 適切なネットワーク設計とトレーニング戦略を採用する上で,どちらも対処可能な方法を示す。 実時間深度認識型拡張現実とスマートフォンによる画像ぼやけに関する実験結果について報告する。
  論文  参考訳（メタデータ） (2020-06-10T08:30:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。