論文の概要: CEN-HDR: Computationally Efficient neural Network for real-time High
Dynamic Range imaging
- arxiv url: http://arxiv.org/abs/2302.05213v1
- Date: Fri, 10 Feb 2023 12:32:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-13 15:44:23.497085
- Title: CEN-HDR: Computationally Efficient neural Network for real-time High
Dynamic Range imaging
- Title(参考訳): CEN-HDR:リアルタイム高速ダイナミックレンジイメージングのための計算効率の良いニューラルネットワーク
- Authors: Steven Tel, Barth\'el\'emy Heyrman, Dominique Ginhac
- Abstract要約: リアルタイムHDRイメージングのための光注意機構とサブピクセル畳み込み操作に基づく計算効率の良いニューラルネットを提案する。
提案手法は,最先端のソリューションよりも高速でありながら,画像品質の競争力のある結果をもたらす。
- 参考スコア(独自算出の注目度): 0.8594140167290097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High dynamic range (HDR) imaging is still a challenging task in modern
digital photography. Recent research proposes solutions that provide
high-quality acquisition but at the cost of a very large number of operations
and a slow inference time that prevent the implementation of these solutions on
lightweight real-time systems. In this paper, we propose CEN-HDR, a new
computationally efficient neural network by providing a novel architecture
based on a light attention mechanism and sub-pixel convolution operations for
real-time HDR imaging. We also provide an efficient training scheme by applying
network compression using knowledge distillation. We performed extensive
qualitative and quantitative comparisons to show that our approach produces
competitive results in image quality while being faster than state-of-the-art
solutions, allowing it to be practically deployed under real-time constraints.
Experimental results show our method obtains a score of 43.04 mu-PSNR on the
Kalantari2017 dataset with a framerate of 33 FPS using a Macbook M1 NPU.
- Abstract(参考訳): 高ダイナミックレンジ(HDR)イメージングは現代のデジタル写真では依然として難しい課題である。
最近の研究は、高品質な取得を提供するが、非常に多くの操作と、軽量リアルタイムシステムにおけるこれらのソリューションの実装を阻害する遅い推論時間のコストのかかるソリューションを提案している。
本稿では,リアルタイムHDRイメージングのための光注意機構とサブピクセル畳み込み操作に基づく新しいアーキテクチャを提供することにより,新しい計算効率の高いニューラルネットワークであるCEN-HDRを提案する。
また,知識蒸留を用いたネットワーク圧縮による効率的な学習手法を提案する。
提案手法は,最先端のソリューションよりも高速でありながら,画像品質の競争結果が得られ,リアルタイムな制約下で実用化可能であることを示す。
実験の結果,Macbook M1 NPU を用いて,Klantari2017 データセットの 43.04 mu-PSNR のフレームレートが 33 FPS であることを示す。
関連論文リスト
- RBSR: Efficient and Flexible Recurrent Network for Burst
Super-Resolution [57.98314517861539]
バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。
本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
論文 参考訳(メタデータ) (2023-06-30T12:14:13Z) - SMAE: Few-shot Learning for HDR Deghosting with Saturation-Aware Masked
Autoencoders [97.64072440883392]
そこで本研究では,SSHDRと呼ばれる2段階の訓練を通した短距離HDRイメージングを実現するための,新しい半教師付きアプローチを提案する。
以前の方法とは異なり、コンテンツを直接回復し、ゴーストを同時に除去することは、最適に達成することが難しい。
実験により、SSHDRは異なるデータセットの内外における定量的かつ定性的に最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2023-04-14T03:42:51Z) - High-Quality Real-Time Rendering Using Subpixel Sampling Reconstruction [20.431360489828975]
我々は,サンプリングプロセスとそれに対応するデノイザ,サブピクセルサンプリング再構成(SSR)を高速化する新しいモンテカルロサンプリング戦略を提案する。
提案手法は,2K解像度でのリアルタイムレンダリングを実現するため,従来手法よりも品質を劣化させ,全体の時間コストを低減させる。
論文 参考訳(メタデータ) (2023-01-03T10:43:22Z) - Physics to the Rescue: Deep Non-line-of-sight Reconstruction for
High-speed Imaging [13.271762773872476]
本稿では,高品位かつ堅牢なNLOS再構成のためのニューラルネットワークに,波動伝搬とボリュームレンダリングの相補的な物理を組み込んだ新しいディープモデルを提案する。
本手法は, 実測値と実測値の両方に基づいて, 従来の物理・学習手法よりも優れていた。
論文 参考訳(メタデータ) (2022-05-03T02:47:02Z) - Pixel Distillation: A New Knowledge Distillation Scheme for
Low-Resolution Image Recognition [85.78793763053798]
我々は、高解像度(HR)画像から学習した重いネットワークモデルから、コンパクトなネットワークモデルに有用な知識を抽出する先駆的な試みを行っている。
本稿では,知識蒸留をモデル圧縮段階と高分解能表現伝達段階に分散させるTAS(Teacher-Assistant-Student)フレームワークを提案する。
提案手法では,重度教師モデルと同等の精度で,パラメータがはるかに少なく,推論速度が速く,低解像度の入力が可能な軽量ネットワークモデルを学習することができる。
論文 参考訳(メタデータ) (2021-12-17T14:31:40Z) - Projected GANs Converge Faster [50.23237734403834]
GAN(Generative Adversarial Networks)は高品質な画像を生成するが、訓練は難しい。
生成したサンプルと実際のサンプルを固定された事前訓練された特徴空間に投影することで、これらの問題に大きく取り組みます。
我々の投影GANは画像品質、サンプル効率、収束速度を改善する。
論文 参考訳(メタデータ) (2021-11-01T15:11:01Z) - Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。
実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。
ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文 参考訳(メタデータ) (2021-03-15T12:54:26Z) - Real-time Non-line-of-sight Imaging with Two-step Deep Remapping [0.0]
非視線(NLOS)イメージングは、間接光を考慮に入れます。
ほとんどのソリューションは過渡走査プロセスを使用し、続いてNLOSシーンを再構築するためのバックプロジェクションベースのアルゴリズムが続く。
ここでは、上記の欠陥に対処する新しいNLOSソリューションを提案し、検出装置と再構成アルゴリズムの両方に革新をもたらす。
論文 参考訳(メタデータ) (2021-01-26T00:08:54Z) - Back to Event Basics: Self-Supervised Learning of Image Reconstruction
for Event Cameras via Photometric Constancy [0.0]
イベントカメラは、非同期な方法で、低レイテンシで高時間分解能の輝度インクリメントをサンプリングする新しい視覚センサである。
本稿では,光学的フロー推定のための新しい軽量ニューラルネットワークを提案する。
複数のデータセットにまたがる結果から、提案した自己教師型アプローチのパフォーマンスは最先端技術と一致していることがわかる。
論文 参考訳(メタデータ) (2020-09-17T13:30:05Z) - Time accelerated image super-resolution using shallow residual feature
representative network [0.0]
高いピーク信号対雑音比(PSNR)と優れた知覚品質を有する高解像度画像の再構成が可能となる。
既存のディープ畳み込みニューラルネットワークに関連する課題は、その計算複雑性と時間である。
両立型補間低分解能画像を入力として用い, 逐次的に積み重ねた残差非線形畳み込みを含む残差代表単位(RFR)を応用した, 革新的な浅部残差特徴代表ネットワーク(SRFRN)を開発した。
論文 参考訳(メタデータ) (2020-04-08T16:17:42Z) - Single-Image HDR Reconstruction by Learning to Reverse the Camera
Pipeline [100.5353614588565]
本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。
我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。
提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
論文 参考訳(メタデータ) (2020-04-02T17:59:04Z)
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。