論文の概要: A Little Bit More: Bitplane-Wise Bit-Depth Recovery
- arxiv url: http://arxiv.org/abs/2005.01091v2
- Date: Wed, 22 Dec 2021 06:32:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 06:49:24.546031
- Title: A Little Bit More: Bitplane-Wise Bit-Depth Recovery
- Title（参考訳）: ビットプレーンの奥行きを再現する「Bitplane-Wise Bit-Depth」
- Authors: Abhijith Punnappurath and Michael S. Brown
- Abstract要約: 本稿では,残像をビットプレーン単位で復元するトレーニングと推論手法を提案する。
我々のビットプレーン学習フレームワークは、トレーニング中に複数のレベルの監督が可能であり、最先端の結果を得ることができるという利点がある。
- 参考スコア（独自算出の注目度）: 43.99368427233748
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Imaging sensors digitize incoming scene light at a dynamic range of 10--12
bits (i.e., 1024--4096 tonal values). The sensor image is then processed
onboard the camera and finally quantized to only 8 bits (i.e., 256 tonal
values) to conform to prevailing encoding standards. There are a number of
important applications, such as high-bit-depth displays and photo editing,
where it is beneficial to recover the lost bit depth. Deep neural networks are
effective at this bit-depth reconstruction task. Given the quantized
low-bit-depth image as input, existing deep learning methods employ a
single-shot approach that attempts to either (1) directly estimate the
high-bit-depth image, or (2) directly estimate the residual between the high-
and low-bit-depth images. In contrast, we propose a training and inference
strategy that recovers the residual image bitplane-by-bitplane. Our
bitplane-wise learning framework has the advantage of allowing for multiple
levels of supervision during training and is able to obtain state-of-the-art
results using a simple network architecture. We test our proposed method
extensively on several image datasets and demonstrate an improvement from 0.5dB
to 2.3dB PSNR over prior methods depending on the quantization level.
- Abstract（参考訳）: 撮像センサは、10〜12ビット(例えば1024〜4096調値)のダイナミックレンジで入射シーン光をデジタル化する。
センサー画像はカメラ上で処理され、最終的に8ビット(256音節値)に量子化され、一般的な符号化基準に適合する。
高ビット深度ディスプレイや写真編集など多くの重要な応用があり、失われたビット深度を回復することが有用である。
このビット深度再構成タスクでは、ディープニューラルネットワークが有効である。
入力として量子化された低ビット深度画像を考えると、既存のディープラーニング手法では、(1)高ビット深度画像を直接推定するか、(2)高ビット深度画像と低ビット深度画像の間の残差を直接推定するシングルショットアプローチを採用している。
対照的に,残像ビットプレーンをビットプレーンごとに復元するトレーニングおよび推論戦略を提案する。
我々のビットプレーン学習フレームワークは、トレーニング中に複数のレベルの監視を可能にする利点があり、単純なネットワークアーキテクチャを用いて最先端の結果を得ることができる。
提案手法を複数の画像データセット上で広範囲に検証し,従来の手法よりも0.5dBから2.3dBPSNRに改善されていることを示す。
関連論文リスト
- Temporal Lidar Depth Completion [0.08192907805418582]
PENetは, 再発の恩恵を受けるために, 最新の手法であるPENetをどう修正するかを示す。
提案アルゴリズムは,KITTI深度補完データセットの最先端結果を実現する。
論文 参考訳（メタデータ） (2024-06-17T08:25:31Z) - LW-ISP: A Lightweight Model with ISP and Deep Learning [17.972611191715888]
ISPパイプラインにおけるリアルタイム高速処理を実現するための学習ベース手法の可能性を示す。
RAWデータからRGB画像へのイメージマッピングを暗黙的に学習する新しいアーキテクチャであるLW-ISPを提案する。
実験により、LW-ISPはPSNRの0.38dB改善を達成した。
論文 参考訳（メタデータ） (2022-10-08T04:00:03Z) - Learning Weighting Map for Bit-Depth Expansion within a Rational Range [64.15915577164894]
ビット深化(BDE)は、低ビット深化(LBD)ソースから高ビット深化(HBD)画像を表示する新興技術の1つである。
既存のBDEメソッドは、様々なBDE状況に対して統一的なソリューションを持っていない。
我々は,各画素の重みを求めるためにビット復元ネットワーク(BRNet)を設計し,補充値の比率を合理的範囲内で示す。
論文 参考訳（メタデータ） (2022-04-26T02:27:39Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳（メタデータ） (2021-11-23T15:08:26Z) - LLC: Accurate, Multi-purpose Learnt Low-dimensional Binary Codes [55.32790803903619]
本稿では,クラスだけでなくインスタンスの低次元バイナリコード(LLC)を学習するための新しい手法を提案する。
アノテーション付き属性やラベルメタデータなど,副作用は一切不要です。
学習したコードは、クラスに対して直感的な分類法を発見することによって、データの中で本質的に重要な特徴をキャプチャすることを示した。
論文 参考訳（メタデータ） (2021-06-02T21:57:52Z) - Deep Artifact-Free Residual Network for Single Image Super-Resolution [0.2399911126932526]
本研究では,残差学習の利点と,地中構造像を目標として用いることの利点を活かしたDAFR(Deep Artifact-Free Residual)ネットワークを提案する。
我々のフレームワークは、高品質な画像再構成に必要な高周波情報を抽出するために、ディープモデルを用いている。
実験の結果,提案手法は既存の手法に比べて定量的,定性的な画像品質を実現することがわかった。
論文 参考訳（メタデータ） (2020-09-25T20:53:55Z) - Defocus Blur Detection via Depth Distillation [64.78779830554731]
初めてDBDに深度情報を導入します。
より詳しくは, 地底の真理と, 十分に訓練された深度推定ネットワークから抽出した深度から, デフォーカスのぼかしを学習する。
我々の手法は、2つの一般的なデータセット上で11の最先端の手法より優れています。
論文 参考訳（メタデータ） (2020-07-16T04:58:09Z) - BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。
提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-03-11T17:09:12Z)
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。