論文の概要: AdaEnlight: Energy-aware Low-light Video Stream Enhancement on Mobile
Devices
- arxiv url: http://arxiv.org/abs/2211.16135v1
- Date: Tue, 29 Nov 2022 12:12:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 16:29:39.094215
- Title: AdaEnlight: Energy-aware Low-light Video Stream Enhancement on Mobile
Devices
- Title(参考訳): adaenlight: モバイルデバイス上での省エネ型低光度ビデオストリームエンハンスメント
- Authors: Sicong Liu (Northwestern Polytechnical University, China), Xiaochen Li
(Northwestern Polytechnical University, China), Zimu Zhou (City University of
Hong Kong, China), Bin Guo (Northwestern Polytechnical University, China),
Meng Zhang (Northwestern Polytechnical University, China), Haochen Shen
(Northwestern Polytechnical University, China) and Zhiwen Yu (Northwestern
Polytechnical University, China)
- Abstract要約: AdaEnlightは、モバイルデバイス上の低照度ビデオストリームエンハンスメントシステムである。
プラットフォームが提案する動的エネルギー予算に実行時の振る舞いを適応させながら、競争力のある視覚的品質でリアルタイムなビデオ強調を実現する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The ubiquity of camera-embedded devices and the advances in deep learning
have stimulated various intelligent mobile video applications. These
applications often demand on-device processing of video streams to deliver
real-time, high-quality services for privacy and robustness concerns. However,
the performance of these applications is constrained by the raw video streams,
which tend to be taken with small-aperture cameras of ubiquitous mobile
platforms in dim light. Despite extensive low-light video enhancement
solutions, they are unfit for deployment to mobile devices due to their complex
models and and ignorance of system dynamics like energy budgets. In this paper,
we propose AdaEnlight, an energy-aware low-light video stream enhancement
system on mobile devices. It achieves real-time video enhancement with
competitive visual quality while allowing runtime behavior adaptation to the
platform-imposed dynamic energy budgets. We report extensive experiments on
diverse datasets, scenarios, and platforms and demonstrate the superiority of
AdaEnlight compared with state-of-the-art low-light image and video enhancement
solutions.
- Abstract(参考訳): カメラ埋め込みデバイスの普及とディープラーニングの進歩は、さまざまなインテリジェントなモバイルビデオ応用を刺激している。
これらのアプリケーションは、しばしば、プライバシーと堅牢性に関する懸念に対して、リアルタイムで高品質なサービスを提供するために、ビデオストリームのオンデバイス処理を要求する。
しかし、これらのアプリケーションの性能は生のビデオストリームによって制約されるため、薄暗い場所でユビキタスなモバイルプラットフォームの小型カメラで撮影される傾向にある。
幅広い低照度ビデオエンハンスメントソリューションにもかかわらず、複雑なモデルとエネルギー予算のようなシステムダイナミクスの無知のため、モバイルデバイスへのデプロイには適していない。
本稿では,モバイル端末上での省エネ型低照度映像ストリームエンハンスメントシステムであるAdaEnlightを提案する。
リアルタイムのビデオエンハンスメントと競合する視覚品質を実現し、実行時の動作をプラットフォームが要求する動的エネルギー予算に適応させる。
多様なデータセット、シナリオ、プラットフォームに関する広範な実験を報告し、最先端の低照度画像やビデオエンハンスメントソリューションと比較してAdaEnlightの優位性を実証する。
関連論文リスト
- BVI-Lowlight: Fully Registered Benchmark Dataset for Low-Light Video
Enhancement [47.41699406259656]
本稿では,2つの低照度条件下での様々な動きシナリオにおける40のシーンからなる,新しい低照度映像データセットを提案する。
我々は、プログラム可能な電動ドリーを用いて、通常の光で捉えた完全に登録された地上真実データを提供する。
画像ベースのポストプロセッシングによりそれらを洗練し、異なる光レベルにおけるフレームの画素ワイドアライメントを保証する。
論文 参考訳(メタデータ) (2024-02-03T00:40:22Z) - VJT: A Video Transformer on Joint Tasks of Deblurring, Low-light
Enhancement and Denoising [45.349350685858276]
ビデオ復元作業は、低品質な観察から高品質な映像を復元することを目的としている。
ビデオはしばしば、ぼやけ、低照度、ノイズなど、さまざまな種類の劣化に直面します。
本稿では,映像の劣化,低照度化,雑音化といった共同作業に対して,効率的なエンドツーエンドビデオトランスフォーマ手法を提案する。
論文 参考訳(メタデータ) (2024-01-26T10:27:56Z) - Real-Time Neural Video Recovery and Enhancement on Mobile Devices [15.343787475565836]
モバイル端末上でのリアルタイム映像強調のための新しい手法を提案する。
われわれのアプローチはiPhone 12で実装されており、毎秒30フレームをサポートすることができる(FPS)。
その結果,ビデオストリーミングシステムでは,QoEの24%~82%が顕著に増加した。
論文 参考訳(メタデータ) (2023-07-22T19:52:04Z) - Multi-Camera Lighting Estimation for Photorealistic Front-Facing Mobile
Augmented Reality [6.41726492515401]
照明理解は、モバイル拡張現実(AR)アプリケーションを含む仮想オブジェクト合成において重要な役割を果たす。
本稿では,マルチビュー照明再構成とパラメトリック指向性照明推定を組み合わせることで,デュアルカメラストリーミングを活用して高品質な環境マップを作成することを提案する。
論文 参考訳(メタデータ) (2023-01-15T16:52:59Z) - 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) - Video Mobile-Former: Video Recognition with Efficient Global
Spatial-temporal Modeling [125.95527079960725]
トランスフォーマーベースのモデルは、主要なビデオ認識ベンチマークで最高のパフォーマンスを達成した。
Video Mobile-Formerはトランスフォーマーベースの最初のビデオモデルであり、1G FLOP内で計算予算を制限している。
論文 参考訳(メタデータ) (2022-08-25T17:59:00Z) - Low-Light Video Enhancement with Synthetic Event Guidance [188.7256236851872]
我々は、複数のフレームから合成イベントを使用して、低照度ビデオの強化と復元を誘導する。
本手法は,合成と実の両方のLLVEデータセットにおいて,既存の低照度映像や単一画像強調手法より優れる。
論文 参考訳(メタデータ) (2022-08-23T14:58:29Z) - 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)
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。