論文の概要: Realistic Bokeh Effect Rendering on Mobile GPUs, Mobile AI & AIM 2022
challenge: Report
- arxiv url: http://arxiv.org/abs/2211.06769v1
- Date: Mon, 7 Nov 2022 22:42:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 13:32:33.326302
- Title: Realistic Bokeh Effect Rendering on Mobile GPUs, Mobile AI & AIM 2022
challenge: Report
- Title（参考訳）: モバイルGPU、モバイルAI、AIM 2022における現実的なボケ効果レンダリング:レポート
- Authors: Andrey Ignatov and Radu Timofte and Jin Zhang and Feng Zhang and
Gaocheng Yu and Zhe Ma and Hongbin Wang and Minsu Kwon and Haotian Qian and
Wentao Tong and Pan Mu and Ziping Wang and Guangjing Yan and Brian Lee and
Lei Fei and Huaijin Chen and Hyebin Cho and Byeongjun Kwon and Munchurl Kim
and Mingyang Qian and Huixin Ma and Yanan Li and Xiaotao Wang and Lei Lei
- Abstract要約: この課題は、最新のスマートフォンモデルで実行できる効率的なエンドツーエンドのAIベースのレンダリングアプローチを開発することだった。
得られたモデルはKirin 9000のMali GPUで評価され、多くのディープラーニングオプティマスに対して優れた加速結果が得られた。
- 参考スコア（独自算出の注目度）: 75.79829464552311
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As mobile cameras with compact optics are unable to produce a strong bokeh
effect, lots of interest is now devoted to deep learning-based solutions for
this task. In this Mobile AI challenge, the target was to develop an efficient
end-to-end AI-based bokeh effect rendering approach that can run on modern
smartphone GPUs using TensorFlow Lite. The participants were provided with a
large-scale EBB! bokeh dataset consisting of 5K shallow / wide depth-of-field
image pairs captured using the Canon 7D DSLR camera. The runtime of the
resulting models was evaluated on the Kirin 9000's Mali GPU that provides
excellent acceleration results for the majority of common deep learning ops. A
detailed description of all models developed in this challenge is provided in
this paper.
- Abstract（参考訳）: コンパクトな光学を持つモバイルカメラは強力なボケ効果をもたらすことができないため、現在多くの関心が深層学習ベースのソリューションに向けられている。
このMobile AIチャレンジでは、TensorFlow Liteを使用して最新のスマートフォンGPU上で実行できる効率的なエンドツーエンドのAIベースのボケ効果レンダリングアプローチを開発することが目標だった。
参加者は、canon 7d dslrカメラで撮影した5kの浅く広い視野のイメージペアからなる大規模なebb! bokehデータセットを提供した。
得られたモデルのランタイムはKirin 9000のMali GPUで評価され、一般的なディープラーニング運用の大部分で優れた加速結果が得られた。
本論文では,本課題で開発された全モデルについて詳述する。
関連論文リスト
- Efficient Single-Image Depth Estimation on Mobile Devices, Mobile AI &
AIM 2022 Challenge: Report [108.88637766066759]
ディープラーニングベースの単一画像深度推定ソリューションは、IoTプラットフォームとスマートフォン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。
このチャレンジで開発されたモデルは、AndroidやLinuxベースのモバイルデバイスとも互換性がある。
論文 参考訳（メタデータ） (2022-11-07T22:20:07Z) - Learned Smartphone ISP on Mobile GPUs with Deep Learning, Mobile AI &
AIM 2022 Challenge: Report [59.831324427712815]
この課題は、効率的なエンドツーエンドのAIベースの画像処理パイプラインを開発することを目的としている。
モデルはSnapdragonの8 Gen 1 GPUで評価され、一般的なディープラーニング運用の大部分で優れた加速結果が得られた。
提案されたソリューションは、最近のすべてのモバイルGPUと互換性があり、フルHD写真を20-50ミリ秒未満で処理でき、高い忠実度を達成できる。
論文 参考訳（メタデータ） (2022-11-07T22:13:10Z) - Fast Camera Image Denoising on Mobile GPUs with Deep Learning, Mobile AI
2021 Challenge: Report [64.09439666916465]
最初のMobile AIチャレンジでは、エンドツーエンドのディープラーニングベースの画像記述ソリューションの開発を目標としています。
提案したソリューションは任意のモバイルGPUと完全に互換性があり、480pの解像度画像を40-80msで処理できる。
論文 参考訳（メタデータ） (2021-05-17T13:27:56Z) - AIM 2020 Challenge on Rendering Realistic Bokeh [95.87775182820518]
本稿では,第2回AIM現実ボケ効果レンダリングチャレンジをレビューする。
目標は、大規模なESB! bokehデータセットを使用して、現実的な浅いフォーカステクニックを学ぶことだった。
参加者は、他のカメラやセンサーからの追加データなしで、単一のフレームのみに基づいてボケ効果をレンダリングしなければならなかった。
論文 参考訳（メタデータ） (2020-11-10T09:15:38Z) - Rendering Natural Camera Bokeh Effect with Deep Learning [95.86933125733673]
ボケ(Bokeh)は、写真に焦点をあてる重要な芸術効果である。
モバイルカメラは、光学の直径が非常に小さいため、被写界深度が浅い写真を作ることができない。
本稿では,デジタル一眼レフカメラで撮影された写真から直接,現実的な浅層焦点技術を学ぶことを提案する。
論文 参考訳（メタデータ） (2020-06-10T07:28:06Z)
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。