論文の概要: PyNET-QxQ: An Efficient PyNET Variant for QxQ Bayer Pattern Demosaicing in CMOS Image Sensors

• arxiv url: http://arxiv.org/abs/2203.04314v2
• Date: Fri, 5 May 2023 08:39:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-08 18:01:01.733424
• Title: PyNET-QxQ: An Efficient PyNET Variant for QxQ Bayer Pattern Demosaicing in CMOS Image Sensors
• Title（参考訳）: PyNET-QxQ: CMOSイメージセンサにおけるQxQベイアパターンデモのための効率的なPyNETバリアント
• Authors: Minhyeok Cho, Haechang Lee, Hyunwoo Je, Kijeong Kim, Dongil Ryu, and Albert No
• Abstract要約: PyNET-QxQはQxQ Bayer CFAパターン用に設計された軽量なデモサイティングモデルである。 本研究では,還元ネットワークをより効果的に訓練するために,プログレッシブ蒸留と呼ばれる知識蒸留手法を提案する。 プロト型QxQカメラセンサで撮影したQxQ画像を用いて実験したところ、PyNET-QxQはテクスチャとエッジ再構成の点で従来のアルゴリズムよりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 2.430626868407265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based image signal processor (ISP) models for mobile cameras can generate high-quality images that rival those of professional DSLR cameras. However, their computational demands often make them unsuitable for mobile settings. Additionally, modern mobile cameras employ non-Bayer color filter arrays (CFA) such as Quad Bayer, Nona Bayer, and QxQ Bayer to enhance image quality, yet most existing deep learning-based ISP (or demosaicing) models focus primarily on standard Bayer CFAs. In this study, we present PyNET-QxQ, a lightweight demosaicing model specifically designed for QxQ Bayer CFA patterns, which is derived from the original PyNET. We also propose a knowledge distillation method called progressive distillation to train the reduced network more effectively. Consequently, PyNET-QxQ contains less than 2.5% of the parameters of the original PyNET while preserving its performance. Experiments using QxQ images captured by a proto type QxQ camera sensor show that PyNET-QxQ outperforms existing conventional algorithms in terms of texture and edge reconstruction, despite its significantly reduced parameter count.
• Abstract（参考訳）: モバイルカメラ用のディープラーニングベースの画像信号プロセッサ(ISP)モデルは、プロのDSLRカメラに匹敵する高品質な画像を生成することができる。 しかし、それらの計算要求は、しばしばモバイル設定に適さない。 さらに、現代のモバイルカメラは画質を向上させるためにQuad Bayer、Nona Bayer、QxQ Bayerなどの非Bayerカラーフィルタアレイ(CFA)を使用しているが、既存のディープラーニングベースのISP(またはデモサイシング)モデルは、主に標準的なBayer CFAに焦点を当てている。 本研究では,QxQ Bayer CFAパターンに特化して設計されたPyNET-QxQについて述べる。 また,還元ネットワークをより効果的に訓練するために,プログレッシブ蒸留と呼ばれる知識蒸留手法を提案する。 その結果、PyNET-QxQはオリジナルのPyNETのパラメータの2.5%以下であり、性能を保っている。 プロト型QxQカメラセンサで撮影したQxQ画像を用いて実験したところ、PyNET-QxQはパラメータ数が大幅に減少しているにもかかわらず、テクスチャとエッジ再構成の点で従来のアルゴリズムよりも優れていることがわかった。

関連論文リスト

• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [54.139923409101044]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• Reference-Free Image Quality Metric for Degradation and Reconstruction Artifacts [2.5282283486446753]
  品質要因予測器(QF)と呼ばれる基準のない品質評価ネットワークを開発する。 我々のQF予測器は7層からなる軽量で完全な畳み込みネットワークである。 JPEG圧縮画像パッチを入力としてランダムQFを受信し、対応するQFを正確に予測するように訓練する。
  論文  参考訳（メタデータ） (2024-05-01T22:28:18Z)
• Rawformer: Unpaired Raw-to-Raw Translation for Learnable Camera ISPs [53.68932498994655]
  本稿では,多種多様なカメラを用いた生と生の翻訳の未ペアリング学習手法を提案する。 特定のカメラが捉えた生画像をターゲットカメラに正確にマッピングし、学習可能なISPを新しい目に見えないカメラに一般化する。 提案手法は,従来の最先端技術と比較して精度が高く,実際のカメラデータセットに優れた性能を示す。
  論文  参考訳（メタデータ） (2024-04-16T16:17:48Z)
• Inverting the Imaging Process by Learning an Implicit Camera Model [73.81635386829846]
  本稿では,ディープニューラルネットワークとしてのカメラの物理画像処理を表現した,新しい暗黙カメラモデルを提案する。 本稿では,この暗黙カメラモデルが2つの逆撮像タスクに与える影響を実演する。
  論文  参考訳（メタデータ） (2023-04-25T11:55:03Z)
• 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)
• Evaluating the Stability of Deep Image Quality Assessment With Respect to Image Scaling [43.291753358414255]
  画像品質評価(IQA)は画像処理タスクの基本的な指標である。 本稿では,画像スケールがIQAの性能に影響を及ぼす要因であることを示す。
  論文  参考訳（メタデータ） (2022-07-20T12:44:13Z)
• Classification of NEQR Processed Classical Images using Quantum Neural Networks (QNN) [0.0]
  この研究は、著者による以前の研究に基づいており、NEQR(NEQR)を用いた画像分類のためのQNNに対処している。 NEQRモデル回路を構築し、同じデータを前処理し、画像をQNNに入力する。 その結果,NEQRによるQNN性能がNEQRを使わずにQNNの性能を上回った際の限界改善(約5.0%)が認められた。
  論文  参考訳（メタデータ） (2022-03-29T08:05:53Z)
• PAQ: 65 Million Probably-Asked Questions and What You Can Do With Them [70.09741980324912]
  問合せ(QA)ペアを直接活用するオープンドメイン問合せ解答モデルは、スピードとメモリの点で有望である。 PAQを補完する新しいQAペアレトリバー、RePAQを紹介します。 PAQはテスト質問をプリエンプションし、キャッシュするので、RePAQは最近の検索・読み取りモデルの精度と一致させることができる。
  論文  参考訳（メタデータ） (2021-02-13T23:43:45Z)
• Replacing Mobile Camera ISP with a Single Deep Learning Model [171.49776472948957]
  PyNETは、きめ細かい画像復元のために設計された新しいピラミッド型CNNアーキテクチャである。 このモデルは、モバイルカメラセンサーから直接得たRAW Bayerデータを、プロのハイエンドDSLRカメラで撮影した写真に変換するように訓練されている。
  論文  参考訳（メタデータ） (2020-02-13T14:22:39Z)

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。