論文の概要: MantissaCam: Learning Snapshot High-dynamic-range Imaging with Perceptually-based In-pixel Irradiance Encoding

• arxiv url: http://arxiv.org/abs/2112.05221v1
• Date: Thu, 9 Dec 2021 21:32:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-13 15:24:56.834865
• Title: MantissaCam: Learning Snapshot High-dynamic-range Imaging with Perceptually-based In-pixel Irradiance Encoding
• Title（参考訳）: MantissaCam: 知覚に基づく画素内照射符号化による高ダイナミックレンジ画像の学習
• Authors: Haley M. So, Julien N.P. Martel, Piotr Dudek, and Gordon Wetzstein
• Abstract要約: ハイダイナミックレンジ(HDR)画像は多くのコンピュータビジョンアプリケーションにおいて不可欠である。 ここでは、従来の照射アンラッピング法よりも優れたニューラルネットワークベースのアルゴリズムを設計する。 プログラム可能なセンサで実装したプロトタイプMantissaCamの予備的な結果を示す。
• 参考スコア（独自算出の注目度）: 39.78877654934457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ability to image high-dynamic-range (HDR) scenes is crucial in many computer vision applications. The dynamic range of conventional sensors, however, is fundamentally limited by their well capacity, resulting in saturation of bright scene parts. To overcome this limitation, emerging sensors offer in-pixel processing capabilities to encode the incident irradiance. Among the most promising encoding schemes is modulo wrapping, which results in a computational photography problem where the HDR scene is computed by an irradiance unwrapping algorithm from the wrapped low-dynamic-range (LDR) sensor image. Here, we design a neural network--based algorithm that outperforms previous irradiance unwrapping methods and, more importantly, we design a perceptually inspired "mantissa" encoding scheme that more efficiently wraps an HDR scene into an LDR sensor. Combined with our reconstruction framework, MantissaCam achieves state-of-the-art results among modulo-type snapshot HDR imaging approaches. We demonstrate the efficacy of our method in simulation and show preliminary results of a prototype MantissaCam implemented with a programmable sensor.
• Abstract（参考訳）: 高ダイナミックレンジ(HDR)シーンを画像化できることは多くのコンピュータビジョンアプリケーションにおいて重要である。 しかし、従来のセンサーのダイナミックレンジは、その容量によって基本的に制限され、明るいシーンの部分が飽和する。 この制限を克服するため、新興センサーは入射光を符号化する画素内処理機能を提供する。 最も有望な符号化方式の1つはモジュロラップであり、これはHDRシーンがラップされた低ダイナミックレンジ(LDR)センサ画像から照射アンラッピングアルゴリズムによって計算される計算写真問題をもたらす。 そこで我々は,従来の照射アンラッピング法より優れたニューラルネットワークベースのアルゴリズムを設計し,さらに重要なことは,HDRシーンをより効率的にLDRセンサーにラップする知覚的にインスピレーションを受けた"マンティッサ"符号化スキームを設計することである。 再建フレームワークと組み合わせたMantissaCamは、モジュロ型スナップショットHDRイメージング手法の最先端結果を実現する。 シミュレーションにおける本手法の有効性を実証し,プログラム可能なセンサで実装したプロトタイプMantissaCamの予備的な結果を示す。

関連論文リスト

• Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
  低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。 RAWMambaと呼ばれる新しいMambaスキャニング機構を提案する。 また,Retinex の先行したRetinex Decomposition Module (RDM) も提案する。
  論文  参考訳（メタデータ） (2024-09-11T06:12:03Z)
• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• 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)
• Spatiotemporally Consistent HDR Indoor Lighting Estimation [66.26786775252592]
  本研究では,屋内照明推定問題を解決するための物理動機付きディープラーニングフレームワークを提案する。 深度マップを用いた1枚のLDR画像から,任意の画像位置における空間的に一貫した照明を予測できる。 我々のフレームワークは、最先端の単一画像やビデオベースの手法と比較して、高画質で光リアリスティック照明予測を実現する。
  論文  参考訳（メタデータ） (2023-05-07T20:36:29Z)
• Lightweight HDR Camera ISP for Robust Perception in Dynamic Illumination Conditions via Fourier Adversarial Networks [35.532434169432776]
  照明とノイズ除去の逐次的バランスをとる軽量な2段階画像強調アルゴリズムを提案する。 また、異なる照明条件下での一貫した画像強調のためのフーリエスペクトルベース対向フレームワーク(AFNet)を提案する。 また,定量的および定性的な評価に基づいて,画像強調技術が共通認識タスクの性能に与える影響について検討した。
  論文  参考訳（メタデータ） (2022-04-04T18:48:51Z)
• Video Reconstruction from a Single Motion Blurred Image using Learned Dynamic Phase Coding [34.76550131783525]
  単一動きブル画像を用いた映像再構成のためのハイブリッド光デジタル手法を提案する。 我々は、画像取得中にレンズ開口部の動的位相符号化を学習し、運動軌跡を符号化する。 提案した計算カメラは、単一の符号化されたモーションブルー画像から、様々なフレームレートでシーンのシャープなフレームバーストを生成する。
  論文  参考訳（メタデータ） (2021-12-28T02:06:44Z)
• RBSRICNN: Raw Burst Super-Resolution through Iterative Convolutional Neural Network [23.451063587138393]
  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。
  論文  参考訳（メタデータ） (2021-10-25T19:01:28Z)
• Thermal Image Processing via Physics-Inspired Deep Networks [21.094006629684376]
  DeepIRは、物理的に正確なセンサーモデリングとディープネットワークベースのイメージ表現を組み合わせる。 DeepIRは、トレーニングデータや、既知のブラックボディターゲットによる定期的な地平線校正を必要としない。 シミュレーションおよび実データ実験により、DeepIRは3つの画像で高品質な非均一性補正を行うことができることを示した。
  論文  参考訳（メタデータ） (2021-08-18T04:57:48Z)
• 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)
• Deep Blind Video Super-resolution [85.79696784460887]
  本稿では,ビデオSRを曖昧なカーネルモデリング手法により解くために,深層畳み込みニューラルネットワーク(CNN)モデルを提案する。 提案したCNNモデルは、動きのぼかし推定、動きの推定、遅延画像復元モジュールからなる。 提案アルゴリズムは, より微細な構造情報を用いて, より鮮明な画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2020-03-10T13:43:24Z)

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。