論文の概要: MobileMEF: Fast and Efficient Method for Multi-Exposure Fusion

• arxiv url: http://arxiv.org/abs/2408.07932v1
• Date: Thu, 15 Aug 2024 05:03:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-16 14:58:11.672172
• Title: MobileMEF: Fast and Efficient Method for Multi-Exposure Fusion
• Title（参考訳）: MobileMEF:マルチ露光核融合のための高速かつ効率的な方法
• Authors: Lucas Nedel Kirsten, Zhicheng Fu, Nikhil Ambha Madhusudhana,
• Abstract要約: 本稿では,エンコーダ・デコーダ深層学習アーキテクチャに基づくマルチ露光融合手法を提案する。 我々のモデルは、中距離スマートフォンで2秒未満で4K解像度画像を処理できる。
• 参考スコア（独自算出の注目度）: 0.6261722394141346
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent advances in camera design and imaging technology have enabled the capture of high-quality images using smartphones. However, due to the limited dynamic range of digital cameras, the quality of photographs captured in environments with highly imbalanced lighting often results in poor-quality images. To address this issue, most devices capture multi-exposure frames and then use some multi-exposure fusion method to merge those frames into a final fused image. Nevertheless, most traditional and current deep learning approaches are unsuitable for real-time applications on mobile devices due to their heavy computational and memory requirements. We propose a new method for multi-exposure fusion based on an encoder-decoder deep learning architecture with efficient building blocks tailored for mobile devices. This efficient design makes our model capable of processing 4K resolution images in less than 2 seconds on mid-range smartphones. Our method outperforms state-of-the-art techniques regarding full-reference quality measures and computational efficiency (runtime and memory usage), making it ideal for real-time applications on hardware-constrained devices. Our code is available at: https://github.com/LucasKirsten/MobileMEF.
• Abstract（参考訳）: 近年のカメラ設計・撮像技術の進歩により,スマートフォンを用いた高品質画像の撮影が可能となった。 しかし、デジタルカメラのダイナミックな範囲が限られているため、高度にバランスの取れない照明で撮影された写真の品質は、品質の悪い画像をもたらすことが多い。 この問題に対処するため、ほとんどのデバイスはマルチ露光フレームをキャプチャし、そのフレームを最終融合画像にマージするためにマルチ露光融合法を使用する。 それでも、従来のディープラーニングアプローチや現在のディープラーニングアプローチは、計算とメモリの重い要求のため、モバイルデバイス上のリアルタイムアプリケーションには適さない。 本稿では,モバイルデバイスに適した効率的なビルディングブロックを備えたエンコーダ・デコーダ深層学習アーキテクチャに基づくマルチ露光融合手法を提案する。 この効率的な設計により、我々のモデルはミッドレンジスマートフォンで2秒未満で4K解像度の画像を処理できる。 提案手法は,ハードウェアに制約のあるデバイス上でのリアルタイムアプリケーションに最適な,リアルタイム品質測定と計算効率(実行時間とメモリ使用量)に関する最先端技術より優れている。 私たちのコードは、https://github.com/LucasKirsten/MobileMEF.comで利用可能です。

関連論文リスト

• Benchmark Evaluation of Image Fusion algorithms for Smartphone Camera Capture [0.0]
  本研究は, 融合法, 融合重量, フレーム数, 積み重ね技術の組み合わせについて検討した。 目的は、計算効率と画質のバランスをとる最適構成を特定することである。
  論文  参考訳（メタデータ） (2024-06-29T03:47:54Z)
• Searching a Compact Architecture for Robust Multi-Exposure Image Fusion [55.37210629454589]
  2つの大きなスタブリングブロックは、画素の不一致や非効率な推論など、開発を妨げる。 本研究では,高機能なマルチ露光画像融合のための自己アライメントとディテールリプレクションモジュールを取り入れたアーキテクチャ検索に基づくパラダイムを提案する。 提案手法は様々な競争方式より優れており、一般的なシナリオではPSNRが3.19%向上し、不整合シナリオでは23.5%向上した。
  論文  参考訳（メタデータ） (2023-05-20T17:01:52Z)
• Real-Time Under-Display Cameras Image Restoration and HDR on Mobile Devices [81.61356052916855]
  アンダーディスプレイカメラ(UDC)によって撮影された画像は、その前のスクリーンによって劣化する。 画像復元のためのディープラーニング手法は、キャプチャ画像の劣化を著しく低減することができる。 我々は,視覚的UDC画像復元とHDRのための軽量なモデルを提案し,スマートフォン上での様々な手法の性能と実行状況を比較したベンチマークを提供する。
  論文  参考訳（メタデータ） (2022-11-25T11:46:57Z)
• 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)
• PyNet-V2 Mobile: Efficient On-Device Photo Processing With Neural Networks [115.97113917000145]
  エッジデバイス用に設計された新しいPyNET-V2 Mobile CNNアーキテクチャを提案する。 提案アーキテクチャでは,携帯電話から直接RAW 12MPの写真を1.5秒で処理することができる。 提案したアーキテクチャは,最新のモバイルAIアクセラレータとも互換性があることが示されている。
  論文  参考訳（メタデータ） (2022-11-08T17:18:01Z)
• Perceptual Image Enhancement for Smartphone Real-Time Applications [60.45737626529091]
  本稿では,知覚的画像強調のための軽量ネットワークLPIENetを提案する。 我々のモデルは、ノイズアーティファクト、回折アーティファクト、ぼかし、HDR過剰露光を扱うことができる。 我々のモデルは、中級商用スマートフォンで1秒未満で2K解像度画像を処理することができる。
  論文  参考訳（メタデータ） (2022-10-24T19:16:33Z)
• Face Deblurring using Dual Camera Fusion on Mobile Phones [23.494813096697815]
  動きの速い被写体の運動のぼやけは、写真における長年の問題である。 携帯電話用デュアルカメラフュージョン技術に基づく新しい顔のブラッシングシステムを開発した。 当社のアルゴリズムはGoogle Pixel 6上で効率よく動作します。
  論文  参考訳（メタデータ） (2022-07-23T22:50:46Z)
• Towards Efficient and Scale-Robust Ultra-High-Definition Image Demoireing [71.62289021118983]
  本研究では、4Kモアレ画像に対処する効率的なベースラインモデルESDNetを提案する。 我々の手法は、より軽量でありながら、最先端の手法よりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2022-07-20T14:20:52Z)

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。