論文の概要: Real-time Noise Source Estimation of a Camera System from an Image and Metadata

• arxiv url: http://arxiv.org/abs/2404.03251v1
• Date: Thu, 4 Apr 2024 07:14:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-05 15:33:48.683730
• Title: Real-time Noise Source Estimation of a Camera System from an Image and Metadata
• Title（参考訳）: 画像とメタデータを用いたカメラシステムの実時間ノイズ源推定
• Authors: Maik Wischow, Patrick Irmisch, Anko Boerner, Guillermo Gallego,
• Abstract要約: 本研究で論じる基本的なカメラ問題はノイズである。 本研究では,データモデルと物理モデルを組み合わせたリアルタイム,メモリ効率,信頼性の高いノイズ源推定器について検討する。 本研究では,合成雑音,2つのカメラシステムからの実環境騒音,および実地運動を含む6つのデータセットに対する7つの異なる推定器について検討した。
• 参考スコア（独自算出の注目度）: 9.603053472399047
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Autonomous machines must self-maintain proper functionality to ensure the safety of humans and themselves. This pertains particularly to its cameras as predominant sensors to perceive the environment and support actions. A fundamental camera problem addressed in this study is noise. Solutions often focus on denoising images a posteriori, that is, fighting symptoms rather than root causes. However, tackling root causes requires identifying the noise sources, considering the limitations of mobile platforms. This work investigates a real-time, memory-efficient and reliable noise source estimator that combines data- and physically-based models. To this end, a DNN that examines an image with camera metadata for major camera noise sources is built and trained. In addition, it quantifies unexpected factors that impact image noise or metadata. This study investigates seven different estimators on six datasets that include synthetic noise, real-world noise from two camera systems, and real field campaigns. For these, only the model with most metadata is capable to accurately and robustly quantify all individual noise contributions. This method outperforms total image noise estimators and can be plug-and-play deployed. It also serves as a basis to include more advanced noise sources, or as part of an automatic countermeasure feedback-loop to approach fully reliable machines.
• Abstract（参考訳）: 自律機械は、人間と自己の安全を確保するために、適切な機能を自己維持しなければならない。 これは特に、そのカメラが環境を感知し、行動を支援する主要なセンサーとして関係している。 本研究で論じる基本的なカメラ問題はノイズである。 解決策は、しばしばイメージを後部、つまり根本原因ではなく、戦う症状に分解することに焦点を当てる。 しかし、根本原因に対処するには、モバイルプラットフォームの制限を考慮してノイズ源を特定する必要がある。 本研究では,データモデルと物理モデルを組み合わせたリアルタイム,メモリ効率,信頼性の高いノイズ源推定器について検討する。 この目的のために、主要なカメラノイズ源のためのカメラメタデータで画像を調べるDNNを構築し、訓練する。 さらに、画像ノイズやメタデータに影響を与える予期せぬ要因を定量化する。 本研究では,合成雑音,2つのカメラシステムからの実環境騒音,および実地運動を含む6つのデータセットに対する7つの異なる推定器について検討した。 これらに対して、ほとんどのメタデータを持つモデルのみが、個々のノイズコントリビューションを正確かつ堅牢に定量化することができる。 本手法は,全画像ノイズ推定器より優れ,プラグアンドプレイが可能である。 また、より高度なノイズ源や、完全に信頼性のあるマシンにアプローチするための自動対策フィードバックループの一部として機能する。

関連論文リスト

• Enhancement of 3D Camera Synthetic Training Data with Noise Models [1.6385815610837167]
  本研究の目的は,3次元撮影データにおけるノイズの影響を,撮像プロセスのノイズをモデル化して評価することである。 我々は、ノイズモデルを得るために、特別に構築されたシーンのデータセットをコンパイルした。 具体的には、画像面における捕獲点の位置と軸方向の雑音に影響を及ぼす横方向雑音をモデル化し、画像面に対する軸方向の位置に影響を及ぼす。
  論文  参考訳（メタデータ） (2024-02-26T11:50:42Z)
• Unsupervised Denoising for Signal-Dependent and Row-Correlated Imaging Noise [54.0185721303932]
  本稿では,行関連の画像ノイズを処理できる,教師なしのディープラーニングベースデノイザについて紹介する。 提案手法では,特殊設計の自己回帰デコーダを備えた変分オートエンコーダを用いる。 本手法では,事前学習した雑音モデルを必要としないため,雑音のないデータを用いてスクラッチから訓練することができる。
  論文  参考訳（メタデータ） (2023-10-11T20:48:20Z)
• Noise2NoiseFlow: Realistic Camera Noise Modeling without Clean Images [35.29066692454865]
  本稿では,ノイズモデルとデノイザを同時にトレーニングするためのフレームワークを提案する。 ノイズ/クリーンなペア画像データではなく、ノイズの多いイメージのペアに依存します。 トレーニングされたデノイザーは、教師付きおよび弱教師付きベースラインデノイジングアプローチの両方において、大幅に改善される。
  論文  参考訳（メタデータ） (2022-06-02T15:31:40Z)
• Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
  我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。 より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
  論文  参考訳（メタデータ） (2022-04-06T14:09:02Z)
• Estimating Fine-Grained Noise Model via Contrastive Learning [11.626812663592416]
  本稿では,現実的な雑音画像生成のための革新的なノイズモデル推定とノイズ合成パイプラインを提案する。 本モデルでは, 微粒な統計的雑音モデルを用いた雑音推定モデルについて, 対照的に学習する。 いくつかのセンサのノイズモデルを校正することで、我々のモデルは他のカメラを予測できるように拡張することができる。
  論文  参考訳（メタデータ） (2022-04-03T02:35:01Z)
• IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
  本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。 本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。 実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
  論文  参考訳（メタデータ） (2021-11-29T07:22:53Z)
• 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)
• Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
  CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。 実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。 我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
  論文  参考訳（メタデータ） (2021-08-04T16:36:29Z)
• Adaptive noise imitation for image denoising [58.21456707617451]
  本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。 現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。 ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
  論文  参考訳（メタデータ） (2020-11-30T02:49:36Z)
• Learning Camera-Aware Noise Models [22.114167097784787]
  本稿では,実世界の雑音から生成ノイズモデルを学習する,データ駆動型手法を提案する。 提案するノイズモデルでは,異なるカメラセンサの異なるノイズ特性を同時に学習することができる。
  論文  参考訳（メタデータ） (2020-08-21T08:25:14Z)

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。