論文の概要: Mobile-end Tone Mapping based on Integral Image and Integral Histogram

• arxiv url: http://arxiv.org/abs/2102.01289v1
• Date: Tue, 2 Feb 2021 04:01:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-03 16:24:42.580597
• Title: Mobile-end Tone Mapping based on Integral Image and Integral Histogram
• Title（参考訳）: 積分画像と積分ヒストグラムに基づく移動端トーンマッピング
• Authors: Jie Yang, Mengchen Lin, Ziyi Liu, Ulian Shahnovich, Orly Yadid-Pecht
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.078183247169192
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Wide dynamic range (WDR) image tone mapping is in high demand in many applications like film production, security monitoring, and photography. It is especially crucial for mobile devices because most of the images taken today are from mobile phones, hence such technology is highly demanded in the consumer market of mobile devices and is essential for a good customer experience. However, high-quality and high-performance WDR image tone mapping implementations are rarely found in the mobile-end. In this paper, we introduce a high performance, mobile-end WDR image tone mapping implementation. It leverages the tone mapping results of multiple receptive fields and calculates a suitable value for each pixel. The utilization of integral image and integral histogram significantly reduce the required computation. Moreover, GPU parallel computation is used to increase the processing speed. The experimental results indicate that our implementation can process a high-resolution WDR image within a second on mobile devices and produce appealing image quality.
• Abstract（参考訳）: 広いダイナミックレンジ(WDR)の画像トーンマッピングは、フィルム制作、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ります。 今日の画像のほとんどは携帯電話からのものであるため、モバイルデバイスにとって特に重要です。そのため、そのような技術はモバイルデバイスの消費者市場で非常に要求され、優れた顧客体験のために不可欠です。 しかし、高品質で高性能なWDR画像トーンマッピングの実装はモバイル端末ではほとんど見られない。 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。 複数の受信フィールドのトーンマッピング結果を活用し、各ピクセルに適した値を算出する。 積分画像と積分ヒストグラムの利用は必要な計算量を大幅に削減する。 さらに、GPU並列計算を用いて処理速度を向上する。 実験結果から,モバイルデバイス上で1秒以内に高解像度のWDR画像を処理し,画像品質を向上できることが示唆された。

関連論文リスト

• Image-GS: Content-Adaptive Image Representation via 2D Gaussians [55.15950594752051]
  本稿では,コンテンツ適応型画像表現であるImage-GSを提案する。 異方性2Dガウスアンをベースとして、Image-GSは高いメモリ効率を示し、高速なランダムアクセスをサポートし、自然なレベルのディテールスタックを提供する。 画像-GSの一般的な効率性と忠実性は、最近のニューラルイメージ表現と業界標準テクスチャ圧縮機に対して検証される。 この研究は、機械認識、アセットストリーミング、コンテンツ生成など、適応的な品質とリソース制御を必要とする新しいアプリケーションを開発するための洞察を与えてくれることを願っている。
  論文  参考訳（メタデータ） (2024-07-02T00:45:21Z)
• Efficient Visual State Space Model for Image Deblurring [83.57239834238035]
  畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。 本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。
  論文  参考訳（メタデータ） (2024-05-23T09:13:36Z)
• 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)
• Efficient Single-Image Depth Estimation on Mobile Devices, Mobile AI & AIM 2022 Challenge: Report [108.88637766066759]
  ディープラーニングベースの単一画像深度推定ソリューションは、IoTプラットフォームとスマートフォン上でリアルタイムのパフォーマンスを示すことができる。 このチャレンジで開発されたモデルは、AndroidやLinuxベースのモバイルデバイスとも互換性がある。
  論文  参考訳（メタデータ） (2022-11-07T22:20:07Z)
• Restormer: Efficient Transformer for High-Resolution Image Restoration [118.9617735769827]
  畳み込みニューラルネットワーク(CNN)は、大規模データから一般化可能な画像の事前学習をうまく行う。 トランスフォーマーは、自然言語とハイレベルな視覚タスクにおいて、顕著なパフォーマンス向上を示している。 我々のモデルであるRecovery Transformer (Restormer) は、いくつかの画像復元タスクにおいて最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-11-18T18:59:10Z)
• An Automatic Image Content Retrieval Method for better Mobile Device Display User Experiences [91.3755431537592]
  モバイル端末向け画像コンテンツ検索と分類のための新しいモバイルアプリケーションを提案する。 このアプリケーションは何千もの写真で実行され、モバイルディスプレイでより良いユーザー視覚体験を実現するための励ましの成果を見せた。
  論文  参考訳（メタデータ） (2021-08-26T23:44:34Z)
• Del-Net: A Single-Stage Network for Mobile Camera ISP [14.168130234198467]
  スマートフォンカメラにおける従来の画像信号処理(ISP)パイプラインは、原センサーデータから高品質のsRGBイメージを順次再構成するための画像処理ステップで構成されている。 畳み込みニューラルネットワーク(CNN)を用いたディープラーニング手法は、画像のデノイング、コントラストの強化、超解像、デブロアリングなど、多くの画像関連タスクの解決に人気がある。 本稿では,スマートフォンの展開に適した複雑さでISPパイプライン全体を学ぶために,単一のエンドツーエンドディープラーニングモデルであるDelNetを提案する。
  論文  参考訳（メタデータ） (2021-08-03T16:51:11Z)
• A review for Tone-mapping Operators on Wide Dynamic Range Image [3.5915664878491467]
  トーンマッピング(TM)は,通常のスクリーンにワイドダイナミックレンジ(WDR)画像を表示するための重要なステップとなる。 本稿では,tmosを従来型および機械学習に基づくカテゴリに分類した,最もよく知られているtmosの包括的研究を行う。
  論文  参考訳（メタデータ） (2021-01-08T13:32:26Z)
• 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)
• Deploying Image Deblurring across Mobile Devices: A Perspective of Quality and Latency [11.572636762286775]
  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。
  論文  参考訳（メタデータ） (2020-04-27T06:32:53Z)

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。