論文の概要: Multi-task deep CNN model for no-reference image quality assessment on
smartphone camera photos
- arxiv url: http://arxiv.org/abs/2008.11961v1
- Date: Thu, 27 Aug 2020 07:33:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 08:30:47.651939
- Title: Multi-task deep CNN model for no-reference image quality assessment on
smartphone camera photos
- Title(参考訳): スマートフォンカメラ写真における非参照画像品質評価のためのマルチタスクディープCNNモデル
- Authors: Chen-Hsiu Huang, Ja-Ling Wu
- Abstract要約: 本稿では,シーンタイプ検出を補助タスクとするマルチタスクディープCNNモデルを提案する。
畳み込み層におけるモデルパラメータの共有により、学習された特徴マップはよりシーン関連になる可能性がある。
その結果,従来のNR-IQA法や単一タスクCNNモデルと比較してSROCC性能が向上した。
- 参考スコア(独自算出の注目度): 2.0305676256390934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Smartphone is the most successful consumer electronic product in today's
mobile social network era. The smartphone camera quality and its image
post-processing capability is the dominant factor that impacts consumer's
buying decision. However, the quality evaluation of photos taken from
smartphones remains a labor-intensive work and relies on professional
photographers and experts. As an extension of the prior CNN-based NR-IQA
approach, we propose a multi-task deep CNN model with scene type detection as
an auxiliary task. With the shared model parameters in the convolution layer,
the learned feature maps could become more scene-relevant and enhance the
performance. The evaluation result shows improved SROCC performance compared to
traditional NR-IQA methods and single task CNN-based models.
- Abstract(参考訳): スマートフォンは、今日のモバイルソーシャルネットワーク時代で最も成功した消費者電子製品だ。
スマートフォンのカメラの品質と画像処理能力は、消費者の購入決定に影響を与える主要な要因です。
しかし、スマートフォンから撮影した写真の品質評価は依然として労働集約的な作業であり、プロの写真家や専門家に依存している。
従来のCNNに基づくNR-IQA手法の拡張として,シーンタイプ検出を補助タスクとするマルチタスクディープCNNモデルを提案する。
畳み込み層におけるモデルパラメータの共有により、学習したフィーチャーマップはより関連度が高くなり、パフォーマンスが向上する。
その結果,従来のNR-IQA法や単一タスクCNNモデルと比較してSROCC性能が向上した。
関連論文リスト
- 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) - MicroISP: Processing 32MP Photos on Mobile Devices with Deep Learning [114.66037224769005]
エッジデバイスに特化して設計された新しいMicroISPモデルを提案する。
提案したソリューションは,モバイルMLライブラリを使用して,最新のスマートフォン上で最大32MPの写真を処理できる。
モデルのアーキテクチャは柔軟で、計算能力の異なるデバイスに複雑性を調整することができる。
論文 参考訳(メタデータ) (2022-11-08T17:40:50Z) - PyNet-V2 Mobile: Efficient On-Device Photo Processing With Neural
Networks [115.97113917000145]
エッジデバイス用に設計された新しいPyNET-V2 Mobile CNNアーキテクチャを提案する。
提案アーキテクチャでは,携帯電話から直接RAW 12MPの写真を1.5秒で処理することができる。
提案したアーキテクチャは,最新のモバイルAIアクセラレータとも互換性があることが示されている。
論文 参考訳(メタデータ) (2022-11-08T17:18:01Z) - 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) - Controllable Image Enhancement [66.18525728881711]
いくつかのパラメータを制御して、複数のスタイルで高品質な画像を生成できる半自動画像強調アルゴリズムを提案する。
エンコーダ・デコーダフレームワークは、リタッチスキルを潜在コードにエンコードし、イメージ信号処理機能のパラメータにデコードする。
論文 参考訳(メタデータ) (2022-06-16T23:54:53Z) - Deep Tiny Network for Recognition-Oriented Face Image Quality Assessment [26.792481400792376]
多くの顔認識(FR)のシナリオでは、顔画像は大きな変分を含むシーケンスから取得される。
本稿では、画像品質評価(IQA)とFRを直接リンクするFRの非参照画像品質評価を行う。
提案した品質測定に基づいて,データから品質予測関数を学習する深層顔品質ネットワーク(tinyFQnet)を提案する。
論文 参考訳(メタデータ) (2021-06-09T07:20:54Z) - Learned Smartphone ISP on Mobile NPUs with Deep Learning, Mobile AI 2021
Challenge: Report [49.643297263102845]
この課題は、エンドツーエンドのディープラーニングベースの画像信号処理パイプラインの開発にある。
提案手法は60-100ミリ秒以下のフルHD写真を高忠実度で処理できる。
論文 参考訳(メタデータ) (2021-05-17T13:20:35Z) - AWNet: Attentive Wavelet Network for Image ISP [14.58067200317891]
本稿では,この学習可能な画像ISP問題に対処するために,AWNetと呼ばれるアテンション機構とウェーブレット変換を利用する新しいネットワークを提案する。
提案手法により,RAW情報から好意的な画像の詳細を復元し,より広い受容領域を実現することができる。
実験結果から,定性的,定量的両測定における設計の進歩が示唆された。
論文 参考訳(メタデータ) (2020-08-20T23:28:41Z) - No-Reference Image Quality Assessment via Feature Fusion and Multi-Task
Learning [29.19484863898778]
ブラインドまたはノン参照画像品質評価(NR-IQA)は基本的な問題であり、未解決であり、難しい問題である。
マルチタスク学習に基づく簡易かつ効果的な汎用的ノンリフレクション(NR)画像品質評価フレームワークを提案する。
このモデルでは、歪み型と主観的な人間のスコアを用いて画質を推定する。
論文 参考訳(メタデータ) (2020-06-06T05:04:10Z)
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。