論文の概要: E-MLB: Multilevel Benchmark for Event-Based Camera Denoising
- arxiv url: http://arxiv.org/abs/2303.11997v1
- Date: Tue, 21 Mar 2023 16:31:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-22 14:12:51.728769
- Title: E-MLB: Multilevel Benchmark for Event-Based Camera Denoising
- Title（参考訳）: E-MLB: イベントベースカメラのマルチレベルベンチマーク
- Authors: Saizhe Ding, Jinze Chen, Yang Wang, Yu Kang, Weiguo Song, Jie Cheng,
Yang Cao
- Abstract要約: イベントカメラは、差動信号を出力する際に、ジャンクションリーク電流と光電流に敏感である。
大規模イベント復号化データセット(イベント復号化のためのマルチレベルベンチマーク、E-MLB)を初めて構築する。
また、与えられた事象の構造強度を測定する最初の非参照事象認知尺度であるイベント構造比(ESR)を提案する。
- 参考スコア（独自算出の注目度）: 12.698543500397275
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Event cameras, such as dynamic vision sensors (DVS), are biologically
inspired vision sensors that have advanced over conventional cameras in high
dynamic range, low latency and low power consumption, showing great application
potential in many fields. Event cameras are more sensitive to junction leakage
current and photocurrent as they output differential signals, losing the
smoothing function of the integral imaging process in the RGB camera. The
logarithmic conversion further amplifies noise, especially in low-contrast
conditions. Recently, researchers proposed a series of datasets and evaluation
metrics but limitations remain: 1) the existing datasets are small in scale and
insufficient in noise diversity, which cannot reflect the authentic working
environments of event cameras; and 2) the existing denoising evaluation metrics
are mostly referenced evaluation metrics, relying on APS information or manual
annotation. To address the above issues, we construct a large-scale event
denoising dataset (multilevel benchmark for event denoising, E-MLB) for the
first time, which consists of 100 scenes, each with four noise levels, that is
12 times larger than the largest existing denoising dataset. We also propose
the first nonreference event denoising metric, the event structural ratio
(ESR), which measures the structural intensity of given events. ESR is inspired
by the contrast metric, but is independent of the number of events and
projection direction. Based on the proposed benchmark and ESR, we evaluate the
most representative denoising algorithms, including classic and SOTA, and
provide denoising baselines under various scenes and noise levels. The
corresponding results and codes are available at
https://github.com/KugaMaxx/cuke-emlb.
- Abstract（参考訳）: dynamic vision sensors (dvs) のようなイベントカメラは生物学的にインスパイアされたビジョンセンサーであり、高ダイナミックレンジ、低レイテンシ、低消費電力で従来のカメラよりも進歩し、多くの分野で大きな応用可能性を示している。
イベントカメラは、差動信号を出力する接合漏れ電流や光電流に敏感であり、RGBカメラにおける積分撮像プロセスの滑らかな機能を失う。
対数変換はさらにノイズ、特に低コントラスト条件を増幅する。
最近、研究者は一連のデータセットと評価指標を提案したが、制限は残っている。
1)既存のデータセットは規模が小さく,ノイズの多様性に乏しく,イベントカメラの真正な作業環境を反映できない。
2)既存の評価指標は主にaps情報や手動アノテーションに依存する評価指標を参照している。
上記の問題に対処するため,我々は,100シーンからなり,それぞれ4つのノイズレベルを持ち,既存の最大デノジングデータセットの12倍の大きさの大規模イベントデノジングデータセット(イベントデノジング用マルチレベルベンチマーク,e-mlb)を構築した。
また、与えられた事象の構造強度を測定する最初の非参照事象認知尺度であるイベント構造比(ESR)を提案する。
ESRはコントラスト計量にインスパイアされるが、事象の数と投影方向とは独立である。
提案したベンチマークとESRに基づいて,古典的およびSOTAを含む最も代表的なデノナイジングアルゴリズムを評価し,様々なシーンとノイズレベルのデノナイジングベースラインを提供する。
結果とコードはhttps://github.com/kugamaxx/cuke-emlb.comで入手できる。
関連論文リスト
- A Label-Free and Non-Monotonic Metric for Evaluating Denoising in Event Cameras [17.559229117246666]
イベントカメラは、スパースで非同期なイベントストリームを出力するため、その高い効率で有名である。
denoisingはイベントカメラにとって必須のタスクだが、denoisingパフォーマンスを評価することは難しい。
連続コントラスト曲線(AOCC)の面積であるラベルフリーで非単調な評価指標を提案する。
論文 参考訳（メタデータ） (2024-06-13T08:12:48Z) - LED: A Large-scale Real-world Paired Dataset for Event Camera Denoising [19.51468512911655]
イベントカメラは、ノイズ干渉を受けやすい場合に動的シーン情報をキャプチャする点で大きな利点がある。
我々は,高解像度(1200*680)イベントストリームで18K秒の3Kシーケンスを含む,新しいペア化された実世界のイベントデノゲーションデータセット(LED)を構築した。
そこで本研究では,GTを生音から分離して生成する手法として,均質な二重事象を用いた新しい効果的なデノナイジングフレームワーク(DED)を提案する。
論文 参考訳（メタデータ） (2024-05-30T06:02:35Z) - Robust e-NeRF: NeRF from Sparse & Noisy Events under Non-Uniform Motion [67.15935067326662]
イベントカメラは低電力、低レイテンシ、高時間解像度、高ダイナミックレンジを提供する。
NeRFは効率的かつ効果的なシーン表現の第一候補と見なされている。
本稿では,移動イベントカメラからNeRFを直接かつ堅牢に再構成する新しい手法であるRobust e-NeRFを提案する。
論文 参考訳（メタデータ） (2023-09-15T17:52:08Z) - Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。
本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。
RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文 参考訳（メタデータ） (2023-05-23T12:56:01Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - Ev-NeRF: Event Based Neural Radiance Field [8.78321125097048]
Ev-NeRFは、イベントデータから派生したニューラル放射場である。
Ev-NeRFは、超音環境下での高強度画像再構成において、競合性能を実現する。
論文 参考訳（メタデータ） (2022-06-24T18:27:30Z) - Modeling sRGB Camera Noise with Normalizing Flows [35.29066692454865]
各種ISOレベルにおけるsRGB画像の複雑な雑音分布を学習できる正規化フローに基づく新しいsRGB領域雑音モデルを提案する。
我々の正規化フローベースアプローチは、ノイズモデリングや合成タスクにおいて、他のモデルよりも優れています。
論文 参考訳（メタデータ） (2022-06-02T00:56:34Z) - Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。
それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
論文 参考訳（メタデータ） (2021-10-10T10:45:24Z) - Learning Monocular Dense Depth from Events [53.078665310545745]
イベントカメラは、強度フレームではなく、非同期イベントのストリームの形式で輝度を変化させる。
最近の学習に基づくアプローチは、単眼深度予測のようなイベントベースのデータに適用されている。
本稿では,この課題を解決するための繰り返しアーキテクチャを提案し,標準フィードフォワード法よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-10-16T12:36:23Z) - Learning to Detect Objects with a 1 Megapixel Event Camera [14.949946376335305]
イベントカメラは、高時間精度、低データレート、高ダイナミックレンジで視覚情報を符号化する。
フィールドの新規性のため、多くのビジョンタスクにおけるイベントベースのシステムの性能は、従来のフレームベースのソリューションに比べて依然として低い。
論文 参考訳（メタデータ） (2020-09-28T16:03:59Z) - CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。
リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2020-03-17T15:20:25Z)
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。