論文の概要: RBSRICNN: Raw Burst Super-Resolution through Iterative Convolutional
Neural Network
- arxiv url: http://arxiv.org/abs/2110.13217v1
- Date: Mon, 25 Oct 2021 19:01:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-28 10:41:34.322076
- Title: RBSRICNN: Raw Burst Super-Resolution through Iterative Convolutional
Neural Network
- Title（参考訳）: RBSRICNN: 反復畳み込みニューラルネットワークによる生のバースト超解法
- Authors: Rao Muhammad Umer, Christian Micheloni
- Abstract要約: RBSRICNN(Row Burst Super-Resolution Iterative Convolutional Neural Network)を提案する。
提案したネットワークは、中間SR推定を反復的に洗練することにより最終的な出力を生成する。
定量的および定性的な実験において提案手法の有効性を実証する。
- 参考スコア（独自算出の注目度）: 23.451063587138393
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern digital cameras and smartphones mostly rely on image signal processing
(ISP) pipelines to produce realistic colored RGB images. However, compared to
DSLR cameras, low-quality images are usually obtained in many portable mobile
devices with compact camera sensors due to their physical limitations. The
low-quality images have multiple degradations i.e., sub-pixel shift due to
camera motion, mosaick patterns due to camera color filter array,
low-resolution due to smaller camera sensors, and the rest information are
corrupted by the noise. Such degradations limit the performance of current
Single Image Super-resolution (SISR) methods in recovering high-resolution (HR)
image details from a single low-resolution (LR) image. In this work, we propose
a Raw Burst Super-Resolution Iterative Convolutional Neural Network (RBSRICNN)
that follows the burst photography pipeline as a whole by a forward (physical)
model. The proposed Burst SR scheme solves the problem with classical image
regularization, convex optimization, and deep learning techniques, compared to
existing black-box data-driven methods. The proposed network produces the final
output by an iterative refinement of the intermediate SR estimates. We
demonstrate the effectiveness of our proposed approach in quantitative and
qualitative experiments that generalize robustly to real LR burst inputs with
onl synthetic burst data available for training.
- Abstract（参考訳）: 現代のデジタルカメラとスマートフォンは主に、リアルなRGB画像を生成するために画像信号処理(ISP)パイプラインに依存している。
しかし、デジタル一眼レフカメラと比較すると、低画質の画像は物理的に制限があるため、コンパクトカメラセンサーを備えた多くの携帯端末で通常得られる。
低画質の画像は、複数の劣化、すなわち、カメラの動きによるサブピクセルシフト、カメラカラーフィルタアレイによるモザイクパターン、より小さなカメラセンサによる低解像度、その他の情報はノイズによって破壊される。
このような劣化は、単一の低分解能(LR)画像から高分解能(HR)画像の詳細を復元する際の、現在のSingle Image Super- resolution(SISR)法の性能を制限する。
本研究では,バースト撮影パイプライン全体をフォワード(物理)モデルで追従する生バースト超解像反復畳み込みニューラルネットワーク(rbsricnn)を提案する。
提案したBurst SRスキームは、既存のブラックボックスデータ駆動方式と比較して、古典的な画像正規化、凸最適化、ディープラーニング技術の問題を解決する。
提案するネットワークは、中間sr推定の反復的改良によって最終的な出力を生成する。
実LRバースト入力に頑健に一般化し, オンル合成バーストデータをトレーニングに用いるための定量的, 定性的な実験において, 提案手法の有効性を実証する。
関連論文リスト
- Single Image LDR to HDR Conversion using Conditional Diffusion [18.466814193413487]
デジタル画像は現実的なシーンを再現することを目的としているが、Low Dynamic Range(LDR)カメラは現実のシーンの広いダイナミックレンジを表現できない。
本稿では,影やハイライトから複雑な詳細を復元するための深層学習に基づくアプローチを提案する。
提案フレームワークにディープベースオートエンコーダを組み込んで,コンディショニングに使用するLDR画像の潜在表現の質を高める。
論文 参考訳（メタデータ） (2023-07-06T07:19:47Z) - RBSR: Efficient and Flexible Recurrent Network for Burst
Super-Resolution [57.98314517861539]
バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。
本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
論文 参考訳（メタデータ） (2023-06-30T12:14:13Z) - Real Image Super-Resolution using GAN through modeling of LR and HR
process [20.537597542144916]
LRモデルとSRモデルに組み込んだ学習可能な適応正弦波非線形性を提案し,分解分布を直接学習する。
定量的および定性的な実験において提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-10-19T09:23:37Z) - 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) - 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) - Exploiting Raw Images for Real-Scene Super-Resolution [105.18021110372133]
本稿では,合成データと実撮影画像とのギャップを埋めるために,実シーンにおける単一画像の超解像化の問題について検討する。
本稿では,デジタルカメラの撮像過程を模倣して,よりリアルなトレーニングデータを生成する手法を提案する。
また、原画像に記録された放射情報を活用するために、2分岐畳み込みニューラルネットワークを開発した。
論文 参考訳（メタデータ） (2021-02-02T16:10:15Z) - Deep Burst Super-Resolution [165.90445859851448]
バースト超解像タスクのための新しいアーキテクチャを提案する。
我々のネットワークは複数のノイズRAW画像を入力として取り出し、出力として分解された超解像RGB画像を生成する。
実世界のデータのトレーニングと評価を可能にするため,BurstSRデータセットも導入する。
論文 参考訳（メタデータ） (2021-01-26T18:57:21Z) - Super-Resolution of Real-World Faces [3.4376560669160394]
実の低解像度 (LR) の顔画像は、変わらず複雑で既知のダウンサンプリングカーネルによってキャプチャされる劣化を含んでいる。
本稿では,特徴抽出モジュールがLR画像からロバストな特徴を抽出する2つのモジュール超解像ネットワークを提案する。
我々は、劣化GANを訓練し、双対的に縮小されたクリーン画像を実際の劣化画像に変換し、得られた劣化LR画像と、そのクリーンLR画像とを補間する。
論文 参考訳（メタデータ） (2020-11-04T17:25:54Z) - Deep Generative Adversarial Residual Convolutional Networks for
Real-World Super-Resolution [31.934084942626257]
我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。
これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。
提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
論文 参考訳（メタデータ） (2020-05-03T00:12:38Z) - Single-Image HDR Reconstruction by Learning to Reverse the Camera
Pipeline [100.5353614588565]
本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。
我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。
提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
論文 参考訳（メタデータ） (2020-04-02T17:59:04Z) - EventSR: From Asynchronous Events to Image Reconstruction, Restoration,
and Super-Resolution via End-to-End Adversarial Learning [75.17497166510083]
イベントカメラは強度の変化を感知し、従来のカメラよりも多くの利点がある。
イベントストリームからの強度画像の再構成手法が提案されている。
出力は依然として低解像度(LR)、ノイズ、非現実的である。
本研究では、イベントストリームからLR画像を再構成し、画像品質を高め、EventSRと呼ばれる拡張イメージをアップサンプリングする、新しいエンドツーエンドパイプラインを提案する。
論文 参考訳（メタデータ） (2020-03-17T10:58:10Z)
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。