論文の概要: BSRAW: Improving Blind RAW Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2312.15487v1
- Date: Sun, 24 Dec 2023 14:17:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 17:50:36.806865
- Title: BSRAW: Improving Blind RAW Image Super-Resolution
- Title(参考訳): bsraw: ブラインドraw画像の超高解像度化
- Authors: Marcos V. Conde, Florin Vasluianu, Radu Timofte
- Abstract要約: RAW領域におけるブラインド画像の超解像化に取り組む。
生センサデータを用いたトレーニングモデルに特化した,現実的な劣化パイプラインを設計する。
私たちのパイプラインでトレーニングしたBSRAWモデルは、リアルタイムRAW画像をスケールアップし、品質を向上させることができます。
- 参考スコア(独自算出の注目度): 63.408484584265985
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In smartphones and compact cameras, the Image Signal Processor (ISP)
transforms the RAW sensor image into a human-readable sRGB image. Most popular
super-resolution methods depart from a sRGB image and upscale it further,
improving its quality. However, modeling the degradations in the sRGB domain is
complicated because of the non-linear ISP transformations. Despite this known
issue, only a few methods work directly with RAW images and tackle real-world
sensor degradations. We tackle blind image super-resolution in the RAW domain.
We design a realistic degradation pipeline tailored specifically for training
models with raw sensor data. Our approach considers sensor noise, defocus,
exposure, and other common issues. Our BSRAW models trained with our pipeline
can upscale real-scene RAW images and improve their quality. As part of this
effort, we also present a new DSLM dataset and benchmark for this task.
- Abstract(参考訳): スマートフォンやコンパクトカメラでは、画像信号処理装置(ISP)はRAWセンサーイメージを人間の読みやすいsRGB画像に変換する。
一般的な超解像法は、sRGB画像から分離し、さらにアップスケールし、品質を向上する。
しかし、非線形ISP変換のため、sRGB領域の劣化のモデル化は複雑である。
この既知の問題にもかかわらず、rawイメージを直接処理し、現実世界のセンサー劣化に取り組む方法はわずかである。
RAW領域におけるブラインド画像の超解像化に取り組む。
生センサデータを用いたトレーニングモデルに特化した,現実的な劣化パイプラインを設計する。
センサノイズ,デフォーカス,露出,その他の一般的な問題を考察する。
私たちのパイプラインでトレーニングしたBSRAWモデルは、リアルタイムRAW画像をスケールアップし、品質を向上させることができます。
この取り組みの一環として、このタスクのための新しいDSLMデータセットとベンチマークも提示します。
関連論文リスト
- Simple Image Signal Processing using Global Context Guidance [56.41827271721955]
ディープラーニングベースのISPは、深層ニューラルネットワークを使用してRAW画像をDSLRライクなRGBイメージに変換することを目指している。
我々は,全RAW画像からグローバルなコンテキスト情報をキャプチャするために,任意のニューラルISPに統合可能な新しいモジュールを提案する。
本モデルでは,多種多様な実スマートフォン画像を用いて,様々なベンチマークで最新の結果が得られる。
論文 参考訳(メタデータ) (2024-04-17T17:11:47Z) - Rawformer: Unpaired Raw-to-Raw Translation for Learnable Camera ISPs [53.68932498994655]
本稿では,多種多様なカメラを用いた生と生の翻訳の未ペアリング学習手法を提案する。
特定のカメラが捉えた生画像をターゲットカメラに正確にマッピングし、学習可能なISPを新しい目に見えないカメラに一般化する。
提案手法は,従来の最先端技術と比較して精度が高く,実際のカメラデータセットに優れた性能を示す。
論文 参考訳(メタデータ) (2024-04-16T16:17:48Z) - Event Camera Demosaicing via Swin Transformer and Pixel-focus Loss [17.422153237516767]
RAW領域処理における画素値の欠落を解消するための,Swin-Transformerベースのバックボーンと画素焦点損失関数を提案する。
提案手法は,マルチスケール処理とスペース・ツー・ディープス技術を利用して,効率の確保と計算複雑性の低減を図る。
論文 参考訳(メタデータ) (2024-04-03T13:30:56Z) - End-to-end Rain Streak Removal with RAW Images [7.2278352844025315]
降雨RAW画像からクリーンなカラー画像を得るために,降雨除去とRAW処理のための共同ソリューションを提案する。
我々は、カラーレインストリークをRAW空間に変換し、雨色画像とクリーンカラー画像の両方を合成する簡易かつ効率的なRAW処理アルゴリズムを設計することで、雨色RAWデータを生成する。
論文 参考訳(メタデータ) (2023-12-20T01:17:45Z) - Self-Supervised Reversed Image Signal Processing via Reference-Guided
Dynamic Parameter Selection [1.1602089225841632]
メタデータとペア画像を必要としない自己教師付き逆ISP方式を提案する。
提案手法は,RGB画像を参照RAW画像と同じセンサで同一環境で撮影されたRAWライクな画像に変換する。
提案手法は,他の最先端教師付き手法に匹敵する精度で,様々な逆ISPを学習可能であることを示す。
論文 参考訳(メタデータ) (2023-03-24T11:12:05Z) - Reversed Image Signal Processing and RAW Reconstruction. AIM 2022
Challenge Report [109.2135194765743]
本稿では,AIM 2022 Challenge on Reversed Image Signal Processing and RAW Reconstructionを紹介する。
我々は,メタデータを使わずにRGBから生のセンサイメージを回収し,ISP変換を「逆」することを目的としている。
論文 参考訳(メタデータ) (2022-10-20T10:43:53Z) - Towards Low Light Enhancement with RAW Images [101.35754364753409]
我々は、低光強度でRAW画像を使用することの優位性について、最初のベンチマークを行う。
本研究では,RAW画像の特性を計測可能な因子に分解するFEM(Facterized Enhancement Model)を新たに開発した。
実アプリケーションにおけるRAW画像の利点と利用不可のトレードオフを生かしたREENet(RAW-guiding Exposure Enhancement Network)を開発した。
論文 参考訳(メタデータ) (2021-12-28T07:27:51Z) - Learning RAW-to-sRGB Mappings with Inaccurately Aligned Supervision [76.41657124981549]
本稿では,画像アライメントとRAW-to-sRGBマッピングのための共同学習モデルを提案する。
実験の結果,本手法はZRRおよびSR-RAWデータセットの最先端に対して良好に動作することがわかった。
論文 参考訳(メタデータ) (2021-08-18T12:41:36Z) - Invertible Image Signal Processing [42.109752151834456]
InvISP(Invertible Image Signal Processing)パイプラインにより、視覚的に魅力的なsRGBイメージをレンダリングできます。
メモリのオーバーヘッドなしにsrgb画像から生データを合成する代わりに、リアルな生データを再構築できる。
論文 参考訳(メタデータ) (2021-03-28T06:30:15Z)
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。