論文の概要: ELSR: Extreme Low-Power Super Resolution Network For Mobile Devices
- arxiv url: http://arxiv.org/abs/2208.14600v1
- Date: Wed, 31 Aug 2022 02:32:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-01 13:47:01.889160
- Title: ELSR: Extreme Low-Power Super Resolution Network For Mobile Devices
- Title（参考訳）: elsr: モバイルデバイス用の超低消費電力超解像ネットワーク
- Authors: Tianyu Xu, Zhuang Jia, Yijian Zhang, Long Bao, Heng Sun
- Abstract要約: 本稿では,モバイル機器で少量のエネルギーしか消費しないELSR(Extreme Low-Power Super Resolution)ネットワークを提案する。
極小モデルの性能を高めるために, プレトレーニング法と微調整法を適用した。
我々は,PSNR 27.34 dB で 90.9 を達成し,目標の MediaTek Dimensity 9000 で 0.09 W/30FPS を出力した。
- 参考スコア（独自算出の注目度）: 4.759823735082844
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the popularity of mobile devices, e.g., smartphone and wearable devices,
lighter and faster model is crucial for the application of video super
resolution. However, most previous lightweight models tend to concentrate on
reducing lantency of model inference on desktop GPU, which may be not energy
efficient in current mobile devices. In this paper, we proposed Extreme
Low-Power Super Resolution (ELSR) network which only consumes a small amount of
energy in mobile devices. Pretraining and finetuning methods are applied to
boost the performance of the extremely tiny model. Extensive experiments show
that our method achieves a excellent balance between restoration quality and
power consumption. Finally, we achieve a competitive score of 90.9 with PSNR
27.34 dB and power 0.09 W/30FPS on the target MediaTek Dimensity 9000
plantform, ranking 1st place in the Mobile AI & AIM 2022 Real-Time Video
Super-Resolution Challenge.
- Abstract（参考訳）: スマートフォンやウェアラブルデバイスなどのモバイルデバイスの普及に伴い、より軽量で高速なモデルがビデオスーパー解像度の応用に不可欠である。
しかし、以前のほとんどの軽量モデルは、現在のモバイルデバイスではエネルギー効率が良くないデスクトップgpuでのモデル推論のlantencyの低減に集中する傾向がある。
本稿では,モバイル端末で少量のエネルギーしか消費しないELSR(Extreme Low-Power Super Resolution)ネットワークを提案する。
極小モデルの性能を高めるために, プレトレーニング法と微調整法を適用した。
広範な実験により,本手法は復元品質と消費電力のバランスが良好であることが判明した。
最後に,PSNR 27.34 dBで90.9点,ターゲットとなるMediaTek Dimensity 9000の出力0.09W/30FPSを達成し,Mobile AI & AIM 2022 Real-Time Video Super-Resolution Challengeで1位となった。
関連論文リスト
- Benchmarking Deep Learning Models for Object Detection on Edge Computing Devices [0.0]
YOLOv8 (Nano, Small, Medium), EfficientDet Lite (Lite0, Lite1, Lite2), SSD (SSD MobileNet V1, SSDLite MobileDet) など,最先端のオブジェクト検出モデルの評価を行った。
これらのモデルをRaspberry Pi 3、4、5、TPUアクセラレーター、Jetson Orin Nanoといった一般的なエッジデバイスにデプロイし、エネルギー消費、推論時間、平均精度(mAP)といった重要なパフォーマンス指標を収集しました。
この結果から,SSD MobileNet V1などの低mAPモデルの方がエネルギー効率が高く,高速であることが示唆された。
論文 参考訳（メタデータ） (2024-09-25T10:56:49Z) - MicroISP: Processing 32MP Photos on Mobile Devices with Deep Learning [114.66037224769005]
エッジデバイスに特化して設計された新しいMicroISPモデルを提案する。
提案したソリューションは,モバイルMLライブラリを使用して,最新のスマートフォン上で最大32MPの写真を処理できる。
モデルのアーキテクチャは柔軟で、計算能力の異なるデバイスに複雑性を調整することができる。
論文 参考訳（メタデータ） (2022-11-08T17:40:50Z) - Power Efficient Video Super-Resolution on Mobile NPUs with Deep
Learning, Mobile AI & AIM 2022 challenge: Report [97.01510729548531]
低消費電力に最適化されたモバイルNPUのためのリアルタイムビデオ超解法を提案する。
モデルは、専用のAI処理ユニットを備えた強力なMediaTek Dimensity 9000プラットフォームで評価された。
提案したすべてのソリューションは上記のNPUと完全に互換性があり、最大500FPSレートと0.2[Watt / 30FPS]電力消費を示す。
論文 参考訳（メタデータ） (2022-11-07T22:33:19Z) - Efficient and Accurate Quantized Image Super-Resolution on Mobile NPUs,
Mobile AI & AIM 2022 challenge: Report [144.41960648643564]
本稿では,高効率な量子化画像超解法を設計するための参加者を提案する。
このソリューションはモバイルNPU上でリアルタイムのパフォーマンスを示すことができる。
全てのモデルのランタイムは、専用のエッジNPUを備えたSynaptics VS680 Smart Homeボードで評価された。
論文 参考訳（メタデータ） (2022-11-07T22:27:58Z) - E^2VTS: Energy-Efficient Video Text Spotting from Unmanned Aerial
Vehicles [78.50123964690094]
無人航空機(UAV)ベースのビデオテキストスポッティングは、民間や軍事領域で広く使われている。
提案手法は,エネルギ効率と性能の競合的なトレードオフを達成し,従来の方法よりも優れていた。
論文 参考訳（メタデータ） (2022-06-05T22:43:17Z) - Real-Time Video Super-Resolution on Smartphones with Deep Learning,
Mobile AI 2021 Challenge: Report [135.69469815238193]
ビデオの超高解像度化は、ビデオ通信とストリーミングサービスの台頭により、モバイル関連で最も重要な問題の一つになっている。
この問題に対処するために、私たちは、エンドツーエンドのディープラーニングベースのビデオ超解解ソリューションを開発することを目的とした、最初のMobile AIチャレンジを紹介します。
提案したソリューションは、あらゆるモバイルGPUと完全に互換性があり、高忠実度の結果を示しながら、最大80FPSのHD解像度でビデオをアップスケールすることができる。
論文 参考訳（メタデータ） (2021-05-17T13:40:50Z) - Real-Time Quantized Image Super-Resolution on Mobile NPUs, Mobile AI
2021 Challenge: Report [67.86837649834636]
我々は,エンド・ツー・エンドのディープラーニングベースの画像超解像ソリューションを開発することを目的とした,最初のモバイルaiチャレンジを紹介する。
提案されたソリューションは、すべての主要なモバイルAIアクセラレータと完全に互換性があり、40-60ms以下のフルHDイメージを再構築することができる。
論文 参考訳（メタデータ） (2021-05-17T13:34:15Z) - Real-Time Video Inference on Edge Devices via Adaptive Model Streaming [9.101956442584251]
携帯電話やドローンなどのエッジデバイス上でのリアルタイムビデオ推論は、Deep Neural Networksのコストが高いため、難しい。
本稿では、エッジデバイス上での映像推論のための効率的な軽量モデルの性能向上のための新しいアプローチであるAdaptive Model Streaming (AMS)を提案する。
論文 参考訳（メタデータ） (2020-06-11T17:25:44Z)
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。