論文の概要: Neural Camera Simulators

• arxiv url: http://arxiv.org/abs/2104.05237v1
• Date: Mon, 12 Apr 2021 07:06:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 13:55:10.638444
• Title: Neural Camera Simulators
• Title（参考訳）: ニューラルカメラシミュレータ
• Authors: Hao Ouyang, Zifan Shi, Chenyang Lei, Ka Lung Law and Qifeng Chen
• Abstract要約: 深層ニューラルネットワークに基づく制御可能なカメラシミュレーターにより、異なるカメラ設定下で生画像データを合成する。 提案するシミュレータは、現代のレンズ設計の原理を利用して輝度レベルを補正する露光モジュールを含む。 また、ノイズレベル関数を用いたノイズモジュールと、ノイズとデフォーカスのぼかしに対する副作用をシミュレートする適応的な注意を持つ開口モジュールとを含む。
• 参考スコア（独自算出の注目度）: 39.4597887323609
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a controllable camera simulator based on deep neural networks to synthesize raw image data under different camera settings, including exposure time, ISO, and aperture. The proposed simulator includes an exposure module that utilizes the principle of modern lens designs for correcting the luminance level. It also contains a noise module using the noise level function and an aperture module with adaptive attention to simulate the side effects on noise and defocus blur. To facilitate the learning of a simulator model, we collect a dataset of the 10,000 raw images of 450 scenes with different exposure settings. Quantitative experiments and qualitative comparisons show that our approach outperforms relevant baselines in raw data synthesize on multiple cameras. Furthermore, the camera simulator enables various applications, including large-aperture enhancement, HDR, auto exposure, and data augmentation for training local feature detectors. Our work represents the first attempt to simulate a camera sensor's behavior leveraging both the advantage of traditional raw sensor features and the power of data-driven deep learning.
• Abstract（参考訳）: 本稿では,ディープニューラルネットワークに基づく制御可能なカメラシミュレータを用いて,露光時間,iso,アパーチャなどの異なるカメラ設定下での生画像データを合成する。 提案するシミュレータは、現代のレンズ設計の原理を利用して輝度レベルを補正する露光モジュールを含む。 また、ノイズレベル関数を用いたノイズモジュールと、ノイズとデフォーカスのぼかしに対する副作用をシミュレートする適応的な注意を持つ開口モジュールを含む。 シミュレータモデルの学習を容易にするため,450シーンの1万枚の原画像のデータセットを異なる露出設定で収集する。 定量的実験と質的比較により,複数のカメラを用いた生データ合成において,本手法が関連するベースラインよりも優れていることが示された。 さらに、カメラシミュレータは、ローカル特徴検出をトレーニングするための大容量拡張、hdr、自動露光、データ拡張など、様々なアプリケーションを可能にする。 我々の研究は、従来の生のセンサー機能とデータ駆動型ディープラーニングのパワーの両方を活用することで、カメラセンサーの振る舞いをシミュレートする最初の試みである。

関連論文リスト

• Influence of Depth Camera Noise Models on Respiration Estimation [0.0]
  本研究は,3次元レンダリングシミュレーションパイプラインの最初の成果であり,実測,深度カメラによる呼吸信号を生成するために,異なるノイズモデルに焦点を当てた。
  論文  参考訳（メタデータ） (2024-11-15T09:50:31Z)
• Let There Be Light: Robust Lensless Imaging Under External Illumination With Deep Learning [7.368155086339779]
  レンズレスカメラは、アナログ光学からデジタル後処理へ画像形成をシフトすることで、従来のカメラの設計制約を緩和する。 新しいカメラの設計や応用が可能である一方で、レンズレスイメージングは望ましくない干渉(他の情報源、ノイズなど)に非常に敏感である。
  論文  参考訳（メタデータ） (2024-09-25T09:24:53Z)
• Redundancy-Aware Camera Selection for Indoor Scene Neural Rendering [54.468355408388675]
  カメラの空間的多様性と画像の意味的変動の両方を取り入れた類似度行列を構築した。 カメラ選択を最適化するために,多様性に基づくサンプリングアルゴリズムを適用した。 IndoorTrajという新しいデータセットも開発しています。仮想屋内環境で人間が捉えた、長くて複雑なカメラの動きが含まれています。
  論文  参考訳（メタデータ） (2024-09-11T08:36:49Z)
• Make Explicit Calibration Implicit: Calibrate Denoiser Instead of the Noise Model [83.9497193551511]
  デジタルゲインやカメラセンサーによらず有効であるLED(Lighting Every Darkness)を導入する。 LEDは明示的なノイズモデルのキャリブレーションの必要性を排除し、高速な展開と最小限のデータを必要とする暗黙の微調整プロセスを活用する。 LEDは、センサー工学の利点を生かしながら、ディープラーニングの進歩にもっと注力することを可能にする。
  論文  参考訳（メタデータ） (2023-08-07T10:09:11Z)
• High Dynamic Range and Super-Resolution from Raw Image Bursts [52.341483902624006]
  本稿では,露光ブラケット付きハンドヘルドカメラで撮影した原写真からの高解像度・高ダイナミックレンジカラー画像の再構成について紹介する。 提案アルゴリズムは,画像復元における最先端の学習手法と比較して,メモリ要求の少ない高速なアルゴリズムである。 実験では、ハンドヘルドカメラで野生で撮影された実際の写真に最大4ドル(約4,800円)の超高解像度な要素で優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-29T13:31:28Z)
• Learning Spatially Varying Pixel Exposures for Motion Deblurring [49.07867902677453]
  本研究では,空間的に異なる画素の露光を利用して動きを損なう新しい手法を提案する。 我々の研究は、未来のコンピュータイメージングにおいて、焦点面センサー-プロセッサが果たすべき役割を説明している。
  論文  参考訳（メタデータ） (2022-04-14T23:41:49Z)
• Enhanced Frame and Event-Based Simulator and Event-Based Video Interpolation Network [1.4095425725284465]
  固定オフセットに任意の数のセンサを配置したカメラリグによって記録されたリアルなシーンを生成できる,新しい高度なイベントシミュレータを提案する。 これには、現実的な画質低下効果を持つフレームベースの新しいイメージセンサモデルと、より正確な特性を持つ拡張DVSモデルが含まれる。 我々のシミュレータによって生成されたデータは、我々の新しいモデルをトレーニングするために利用でき、その結果、アートの状況よりも同等またはより良い品質の公開データセット上の再構成画像が生成される。
  論文  参考訳（メタデータ） (2021-12-17T08:27:13Z)
• DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
  DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。 実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
  論文  参考訳（メタデータ） (2021-04-30T15:30:05Z)
• Noise-Aware Merging of High Dynamic Range Image Stacks without Camera Calibration [14.715418812634939]
  本稿では,より単純なポアソン雑音推定器を用いて,等価分散の偏りのない推定値が得られることを示す。 スマートフォンのカメラから、フルフレームのミラーレスカメラまで、4種類のカメラでこれを実証しています。
  論文  参考訳（メタデータ） (2020-09-16T23:26:17Z)

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。