論文の概要: Learning sRGB-to-Raw-RGB De-rendering with Content-Aware Metadata

• arxiv url: http://arxiv.org/abs/2206.01813v1
• Date: Fri, 3 Jun 2022 20:43:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-07 17:12:51.008905
• Title: Learning sRGB-to-Raw-RGB De-rendering with Content-Aware Metadata
• Title（参考訳）: コンテンツ認識メタデータを用いたSRGB-to-Raw-RGBデレンダリングの学習
• Authors: Seonghyeon Nam, Abhijith Punnappurath, Marcus A. Brubaker, Michael S. Brown
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 46.28281823015191
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most camera images are rendered and saved in the standard RGB (sRGB) format by the camera's hardware. Due to the in-camera photo-finishing routines, nonlinear sRGB images are undesirable for computer vision tasks that assume a direct relationship between pixel values and scene radiance. For such applications, linear raw-RGB sensor images are preferred. Saving images in their raw-RGB format is still uncommon due to the large storage requirement and lack of support by many imaging applications. Several "raw reconstruction" methods have been proposed that utilize specialized metadata sampled from the raw-RGB image at capture time and embedded in the sRGB image. This metadata is used to parameterize a mapping function to de-render the sRGB image back to its original raw-RGB format when needed. Existing raw reconstruction methods rely on simple sampling strategies and global mapping to perform the de-rendering. This paper shows how to improve the de-rendering results by jointly learning sampling and reconstruction. Our experiments show that our learned sampling can adapt to the image content to produce better raw reconstructions than existing methods. We also describe an online fine-tuning strategy for the reconstruction network to improve results further.
• Abstract（参考訳）: ほとんどのカメライメージは、カメラのハードウェアによって標準RGB(sRGB)フォーマットでレンダリングされ、保存される。 カメラ内フォトフィニッシュルーチンのため、非線形sRGB画像は、ピクセル値とシーンラディアンスとの直接的な関係を仮定するコンピュータビジョンタスクには望ましくない。 このような用途では、線形生RGBセンサイメージが好まれる。 生のRGBフォーマットでのイメージの保存は、大きなストレージ要件と多くのイメージングアプリケーションによるサポート不足のため、依然として珍しくない。 生RGB画像から抽出したメタデータをキャプチャ時にsRGB画像に埋め込んだ「生再構成」手法が提案されている。 このメタデータはマッピング関数をパラメータ化して、必要に応じてsRGBイメージを元のraw-RGBフォーマットに戻します。 既存の生の復元手法は、デレンダリングを行うための単純なサンプリング戦略とグローバルマッピングに依存している。 本稿では,サンプリングと再構成を共同で学習することで,デレンダリング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。 また,復元ネットワークにおけるオンラインの微調整戦略について述べる。

関連論文リスト

• Toward Efficient Deep Blind RAW Image Restoration [56.41827271721955]
  我々は、深部ブラインドRAW復元モデルをトレーニングするための、新しい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は、リアルなセンサーノイズ、動きのぼかし、カメラの揺れ、その他の一般的な劣化について検討しています。 パイプラインと複数のセンサーのデータで訓練されたモデルは、ノイズとぼやけをうまく低減し、異なるカメラから撮影されたRAW画像の細部を復元する。
  論文  参考訳（メタデータ） (2024-09-26T18:34:37Z)
• 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)
• Image Demoireing in RAW and sRGB Domains [18.921026683632146]
  我々は、Gated Feedback Module (GFM) と Frequency Selection Module (FSM) を備えたスキップ接続型復号モジュール(SCDM)を開発した。 我々はRGB Guided ISP(RGISP)を設計し、デバイス依存のISPを学習し、色回復のプロセスを支援する。 我々のRRIDは、PSNRでは0.62dB、SSIMでは0.003のモアレパターン除去とカラーキャスト補正の性能において、最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-12-14T16:00:28Z)
• 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)
• 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 RAW-to-sRGB Mappings with Inaccurately Aligned Supervision [76.41657124981549]
  本稿では,画像アライメントとRAW-to-sRGBマッピングのための共同学習モデルを提案する。 実験の結果,本手法はZRRおよびSR-RAWデータセットの最先端に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2021-08-18T12:41:36Z)
• Invertible Image Signal Processing [42.109752151834456]
  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。
  論文  参考訳（メタデータ） (2021-03-28T06:30:15Z)

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。