論文の概要: High Dynamic Range Modulo Imaging for Robust Object Detection in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2504.11472v1
• Date: Fri, 11 Apr 2025 21:35:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 14:38:51.416705
• Title: High Dynamic Range Modulo Imaging for Robust Object Detection in Autonomous Driving
• Title（参考訳）: 自律走行におけるロバスト物体検出のための高ダイナミックレンジモジュロイメージング
• Authors: Kebin Contreras, Brayan Monroy, Jorge Bacca,
• Abstract要約: この研究は、自動運転車のロバスト物体検出にモジュロセンサーを導入している。 YOLOv10モデルによる実験により、モジュロ画像はHDR画像に匹敵する性能を発揮することが示された。 提案手法とHDR画像再構成を組み合わせたモジュロ撮像は,従来のHDR画像取得に必要な時間よりも短い。
• 参考スコア（独自算出の注目度）: 3.4956406636452626
• License:
• Abstract: Object detection precision is crucial for ensuring the safety and efficacy of autonomous driving systems. The quality of acquired images directly influences the ability of autonomous driving systems to correctly recognize and respond to other vehicles, pedestrians, and obstacles in real-time. However, real environments present extreme variations in lighting, causing saturation problems and resulting in the loss of crucial details for detection. Traditionally, High Dynamic Range (HDR) images have been preferred for their ability to capture a broad spectrum of light intensities, but the need for multiple captures to construct HDR images is inefficient for real-time applications in autonomous vehicles. To address these issues, this work introduces the use of modulo sensors for robust object detection. The modulo sensor allows pixels to `reset/wrap' upon reaching saturation level by acquiring an irradiance encoding image which can then be recovered using unwrapping algorithms. The applied reconstruction techniques enable HDR recovery of color intensity and image details, ensuring better visual quality even under extreme lighting conditions at the cost of extra time. Experiments with the YOLOv10 model demonstrate that images processed using modulo images achieve performance comparable to HDR images and significantly surpass saturated images in terms of object detection accuracy. Moreover, the proposed modulo imaging step combined with HDR image reconstruction is shorter than the time required for conventional HDR image acquisition.
• Abstract（参考訳）: 自動走行システムの安全性と有効性を確保するためには,物体検出精度が不可欠である。 取得した画像の品質は、他の車両、歩行者、障害物をリアルタイムで正しく認識し、応答する自律運転システムの能力に直接影響を及ぼす。 しかし、実際の環境は照度が極端に変化しており、飽和の問題を引き起こし、検出のための重要な詳細が失われる。 伝統的に、高ダイナミックレンジ(HDR)画像は幅広い光強度を捉えるために好まれてきたが、HDR画像を構築するために複数のキャプチャを必要とするのは、自動運転車のリアルタイムアプリケーションでは非効率である。 これらの問題に対処するために、ロバストな物体検出にモジュロセンサを導入する。 モジュロセンサは、光符号化画像を取得することにより、飽和レベルに達すると画素を「リセット/ラップ」することができる。 適用された再構成技術により、色強度と画像の詳細のHDR回復が可能となり、極端な照明条件下であっても、余分な時間で視覚的品質が向上する。 YOLOv10モデルを用いた実験により、モジュロ画像を用いて処理した画像は、HDR画像に匹敵する性能を示し、オブジェクト検出精度において飽和画像を大幅に上回った。 さらに,従来のHDR画像取得に必要な時間よりも,HDR画像再構成と組み合わせたモジュロ画像ステップが短い。

関連論文リスト

• HDRT: A Large-Scale Dataset for Infrared-Guided HDR Imaging [8.208995723545502]
  我々はHDRと熱赤外画像からなる最初の包括的データセットを紹介する。 HDRTデータセットは、8つの都市で6ヶ月にわたって3つのシーズンで5万枚の画像で構成されている。 我々は、赤外線とSDRコンテンツを融合してHDR画像を生成する新しいディープニューラルネットワークHDRTNetを提案する。
  論文  参考訳（メタデータ） (2024-06-08T13:43:44Z)
• Generating Content for HDR Deghosting from Frequency View [56.103761824603644]
  近年の拡散モデル (DM) はHDRイメージング分野に導入されている。 DMは画像全体を推定するために大きなモデルで広範囲の反復を必要とする。 ゴーストフリーHDRイメージングのための低周波数対応拡散(LF-Diff)モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-01T01:32:11Z)
• Event-based Asynchronous HDR Imaging by Temporal Incident Light Modulation [54.64335350932855]
  我々は,HDRイメージングの課題に関する重要な知見に基づいて,Pixel-Asynchronous HDRイメージングシステムを提案する。 提案システムでは,DVS(Dynamic Vision Sensors)とLCDパネルを統合する。 LCDパネルは、その透過性を変化させてDVSの照射インシデントを変調し、ピクセル非依存のイベントストリームをトリガーする。
  論文  参考訳（メタデータ） (2024-03-14T13:45:09Z)
• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• Self-Supervised High Dynamic Range Imaging with Multi-Exposure Images in Dynamic Scenes [58.66427721308464]
  Selfは、訓練中にダイナミックなマルチ露光画像のみを必要とする自己教師型再構成手法である。 Selfは最先端の自己管理手法に対して優れた結果を出し、教師付き手法に匹敵するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-10-03T07:10:49Z)
• Single Image LDR to HDR Conversion using Conditional Diffusion [18.466814193413487]
  デジタル画像は現実的なシーンを再現することを目的としているが、Low Dynamic Range(LDR)カメラは現実のシーンの広いダイナミックレンジを表現できない。 本稿では,影やハイライトから複雑な詳細を復元するための深層学習に基づくアプローチを提案する。 提案フレームワークにディープベースオートエンコーダを組み込んで,コンディショニングに使用するLDR画像の潜在表現の質を高める。
  論文  参考訳（メタデータ） (2023-07-06T07:19:47Z)
• 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 Dynamic Range and Super-Resolution from Raw Image Bursts [52.341483902624006]
  本稿では,露光ブラケット付きハンドヘルドカメラで撮影した原写真からの高解像度・高ダイナミックレンジカラー画像の再構成について紹介する。 提案アルゴリズムは,画像復元における最先端の学習手法と比較して,メモリ要求の少ない高速なアルゴリズムである。 実験では、ハンドヘルドカメラで野生で撮影された実際の写真に最大4ドル(約4,800円)の超高解像度な要素で優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-29T13:31:28Z)
• Thermal Image Processing via Physics-Inspired Deep Networks [21.094006629684376]
  DeepIRは、物理的に正確なセンサーモデリングとディープネットワークベースのイメージ表現を組み合わせる。 DeepIRは、トレーニングデータや、既知のブラックボディターゲットによる定期的な地平線校正を必要としない。 シミュレーションおよび実データ実験により、DeepIRは3つの画像で高品質な非均一性補正を行うことができることを示した。
  論文  参考訳（メタデータ） (2021-08-18T04:57:48Z)
• Deep Snapshot HDR Imaging Using Multi-Exposure Color Filter Array [14.5106375775521]
  本稿では,有効損失と入力データの正規化を同時に実現する輝度正規化の考え方を紹介する。 2つの公開HDR画像データセットを用いた実験結果から,我々のフレームワークが他のスナップショット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） (2020-11-20T06:31:37Z)

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。