論文の概要: Invertible Image Signal Processing
- arxiv url: http://arxiv.org/abs/2103.15061v1
- Date: Sun, 28 Mar 2021 06:30:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 14:40:28.374256
- Title: Invertible Image Signal Processing
- Title(参考訳): 可逆画像信号処理
- Authors: Yazhou Xing, Zian Qian, Qifeng Chen
- Abstract要約: InvISP(Invertible Image Signal Processing)パイプラインにより、視覚的に魅力的なsRGBイメージをレンダリングできます。
メモリのオーバーヘッドなしにsrgb画像から生データを合成する代わりに、リアルな生データを再構築できる。
- 参考スコア(独自算出の注目度): 42.109752151834456
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unprocessed RAW data is a highly valuable image format for image editing and
computer vision. However, since the file size of RAW data is huge, most users
can only get access to processed and compressed sRGB images. To bridge this
gap, we design an Invertible Image Signal Processing (InvISP) pipeline, which
not only enables rendering visually appealing sRGB images but also allows
recovering nearly perfect RAW data. Due to our framework's inherent
reversibility, we can reconstruct realistic RAW data instead of synthesizing
RAW data from sRGB images without any memory overhead. We also integrate a
differentiable JPEG compression simulator that empowers our framework to
reconstruct RAW data from JPEG images. Extensive quantitative and qualitative
experiments on two DSLR demonstrate that our method obtains much higher quality
in both rendered sRGB images and reconstructed RAW data than alternative
methods.
- Abstract(参考訳): 非処理RAWデータは、画像編集とコンピュータビジョンのための非常に貴重な画像フォーマットである。
しかし、RAWデータのファイルサイズは巨大であるため、ほとんどのユーザーは処理や圧縮されたsRGB画像にしかアクセスできない。
このギャップを埋めるために、インバーティブル画像信号処理(InvISP)パイプラインを設計し、視覚的に魅力的なsRGB画像のレンダリングを可能にするだけでなく、ほぼ完璧なRAWデータの復元を可能にする。
本フレームワークの可逆性により、メモリオーバーヘッドを伴わずに、sRGB画像からRAWデータを合成する代わりに、現実的なRAWデータを再構成することができる。
我々はまた、JPEG画像からRAWデータを再構成するフレームワークに、差別化可能なJPEG圧縮シミュレータを統合する。
2つのデジタル一眼レフにおける広範囲な定量的・定性的実験により,srgb画像と再構成生データの両方において,代替法よりも高い品質が得られることを示した。
関連論文リスト
- BSRAW: Improving Blind RAW Image Super-Resolution [63.408484584265985]
RAW領域におけるブラインド画像の超解像化に取り組む。
生センサデータを用いたトレーニングモデルに特化した,現実的な劣化パイプラインを設計する。
私たちのパイプラインでトレーニングしたBSRAWモデルは、リアルタイムRAW画像をスケールアップし、品質を向上させることができます。
論文 参考訳(メタデータ) (2023-12-24T14:17:28Z) - End-to-end Rain Streak Removal with RAW Images [7.2278352844025315]
降雨RAW画像からクリーンなカラー画像を得るために,降雨除去とRAW処理のための共同ソリューションを提案する。
我々は、カラーレインストリークをRAW空間に変換し、雨色画像とクリーンカラー画像の両方を合成する簡易かつ効率的なRAW処理アルゴリズムを設計することで、雨色RAWデータを生成する。
論文 参考訳(メタデータ) (2023-12-20T01:17:45Z) - Self-Supervised Reversed Image Signal Processing via Reference-Guided
Dynamic Parameter Selection [1.1602089225841632]
メタデータとペア画像を必要としない自己教師付き逆ISP方式を提案する。
提案手法は,RGB画像を参照RAW画像と同じセンサで同一環境で撮影されたRAWライクな画像に変換する。
提案手法は,他の最先端教師付き手法に匹敵する精度で,様々な逆ISPを学習可能であることを示す。
論文 参考訳(メタデータ) (2023-03-24T11:12:05Z) - Raw Image Reconstruction with Learned Compact Metadata [61.62454853089346]
本稿では,メタデータとしての潜在空間におけるコンパクトな表現をエンドツーエンドで学習するための新しいフレームワークを提案する。
提案する生画像圧縮方式は,グローバルな視点から重要な画像領域に適応的により多くのビットを割り当てることができることを示す。
論文 参考訳(メタデータ) (2023-02-25T05:29:45Z) - Efficient Visual Computing with Camera RAW Snapshots [41.9863557302409]
従来のカメラはセンサ上の画像光を捕捉し、画像信号プロセッサ(ISP)を用いてRGB画像に変換する。
RAW画像にはキャプチャされた全ての情報が含まれているため、ISPを用いたRAWからRGBへの変換はビジュアルコンピューティングには必要ないと論じることができる。
RAW画像を用いた高レベルセマンティック理解と低レベル圧縮を実現するための新しい$rho$-Visionフレームワークを提案する。
論文 参考訳(メタデータ) (2022-12-15T12:54:21Z) - Reversed Image Signal Processing and RAW Reconstruction. AIM 2022
Challenge Report [109.2135194765743]
本稿では,AIM 2022 Challenge on Reversed Image Signal Processing and RAW Reconstructionを紹介する。
我々は,メタデータを使わずにRGBから生のセンサイメージを回収し,ISP変換を「逆」することを目的としている。
論文 参考訳(メタデータ) (2022-10-20T10:43:53Z) - Learning sRGB-to-Raw-RGB De-rendering with Content-Aware Metadata [46.28281823015191]
我々は,サンプリングと再構築を共同で学習することで,デレンダリングの結果を改善する方法を示す。
実験の結果,既存の手法よりも画像内容に適応し,生の再現性を向上できることがわかった。
論文 参考訳(メタデータ) (2022-06-03T20:43:17Z) - Towards Low Light Enhancement with RAW Images [101.35754364753409]
我々は、低光強度でRAW画像を使用することの優位性について、最初のベンチマークを行う。
本研究では,RAW画像の特性を計測可能な因子に分解するFEM(Facterized Enhancement Model)を新たに開発した。
実アプリケーションにおけるRAW画像の利点と利用不可のトレードオフを生かしたREENet(RAW-guiding Exposure Enhancement Network)を開発した。
論文 参考訳(メタデータ) (2021-12-28T07:27:51Z)
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。