論文の概要: Single-shot HDR using conventional image sensor shutter functions and optical randomization

• arxiv url: http://arxiv.org/abs/2506.22426v1
• Date: Fri, 27 Jun 2025 17:48:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.315973
• Title: Single-shot HDR using conventional image sensor shutter functions and optical randomization
• Title（参考訳）: 従来の画像センサシャッター関数と光ランダム化を用いた単発HDR
• Authors: Xiang Dai, Kyrollos Yanny, Kristina Monakhova, Nicholas Antipa,
• Abstract要約: シングルショットHDRイメージングは、HDRデータを単一の露光に符号化し、それを計算的に復元することで問題を緩和する。 我々は、市販センサのグローバルリセットリリース(GRR)シャッターモードを利用する。 プロトタイプでは,48dBのダイナミックレンジを持つ8ビットセンサを用いて,最大73dBのダイナミックレンジを実現する。
• 参考スコア（独自算出の注目度）: 5.5476517032395645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-dynamic-range (HDR) imaging is an essential technique for overcoming the dynamic range limits of image sensors. The classic method relies on multiple exposures, which slows capture time, resulting in motion artifacts when imaging dynamic scenes. Single-shot HDR imaging alleviates this issue by encoding HDR data into a single exposure, then computationally recovering it. Many established methods use strong image priors to recover improperly exposed image detail. These approaches struggle with extended highlight regions. We utilize the global reset release (GRR) shutter mode of an off-the-shelf sensor. GRR shutter mode applies a longer exposure time to rows closer to the bottom of the sensor. We use optics that relay a randomly permuted (shuffled) image onto the sensor, effectively creating spatially randomized exposures across the scene. The exposure diversity allows us to recover HDR data by solving an optimization problem with a simple total variation image prior. In simulation, we demonstrate that our method outperforms other single-shot methods when many sensor pixels are saturated (10% or more), and is competitive at a modest saturation (1%). Finally, we demonstrate a physical lab prototype that uses an off-the-shelf random fiber bundle for the optical shuffling. The fiber bundle is coupled to a low-cost commercial sensor operating in GRR shutter mode. Our prototype achieves a dynamic range of up to 73dB using an 8-bit sensor with 48dB dynamic range.
• Abstract（参考訳）: 高ダイナミックレンジイメージング(HDR)は、画像センサのダイナミックレンジ限界を克服するための重要な技術である。 古典的な手法は複数の露光に依存しており、撮影時間が遅くなり、ダイナミックなシーンを撮影する際には動きのアーティファクトが生じる。 シングルショットHDRイメージングは、HDRデータを単一の露光に符号化し、それを計算的に復元することでこの問題を軽減する。 確立された多くの方法は、不適切に露出した画像の詳細を復元するために、強い画像先行を使用する。 これらのアプローチは、拡大されたハイライト領域と競合する。 我々は、市販センサのグローバルリセットリリース(GRR)シャッターモードを利用する。 GRRシャッターモードはセンサーの下部に近い行に長時間露光する。 我々は、ランダムに置換された(シャッフルされた)画像をセンサーに中継する光学を用いて、シーン全体に空間的にランダムな露光を効果的に生成する。 露出の多様性により、簡単な全変動画像を用いて最適化問題を解くことで、HDRデータを復元することができる。 シミュレーションでは,多くのセンサ画素が飽和している場合(10%以上)に他の単発方式よりも優れており,低飽和(1%)で競合することを示す。 最後に,光学シャッフルのために市販のランダムファイババンドルを用いた物理実験室のプロトタイプを実演する。 ファイババンドルは、GRRシャッターモードで動作する低コストの商用センサに結合される。 プロトタイプでは,48dBのダイナミックレンジを持つ8ビットセンサを用いて,最大73dBのダイナミックレンジを実現する。

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)
• Snapshot High Dynamic Range Imaging with a Polarization Camera [0.6445605125467574]
  本稿では,オフザシェルフ偏光カメラを高性能HDRカメラに変える方法を提案する。 ポーラライザの向きによって決定される露出の異なる4つの画像を同時にキャプチャすることができる。 我々は,これらの測定値からHDR画像(一極性)を再構成するための,外乱・自己校正アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-08-16T02:04:34Z)
• Robust estimation of exposure ratios in multi-exposure image stacks [12.449313419096821]
  入力画像から直接露光率を推定する。 カメラノイズによる推定誤差を最小限に抑えるために,一対の露光から画素を選択できる最適化問題として露出時間推定を導出する。 複数の空間タイルから画素を収集することにより、カメラや物体の動きによる画素の不一致に容易に対応できることを示す。
  論文  参考訳（メタデータ） (2023-08-05T23:42:59Z)
• Multi-Exposure HDR Composition by Gated Swin Transformer [8.619880437958525]
  本稿では,Swin Transformerに基づく新しいマルチ露光融合モデルを提案する。 露光空間ピラミッドにおける遠距離文脈依存性を自己認識機構により活用する。 実験により,本モデルが現在のマルチ露光HDR画像モデルと同等の精度が得られることが示された。
  論文  参考訳（メタデータ） (2023-03-15T15:38:43Z)
• GlowGAN: Unsupervised Learning of HDR Images from LDR Images in the Wild [74.52723408793648]
  そこで本研究では,HDR画像の生成モデルを構築するための第1の手法について述べる。 鍵となる考え方は、GAN(Generative Adversarial Network)を訓練して、様々な露光下でLDRに投影された場合、実際のLDR画像と区別できないHDR画像を生成することである。 実験の結果,GlowGANはランドスケープ,雷,窓など多くの難題において,光現実的HDR画像を合成できることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T15:42:08Z)
• An Asynchronous Kalman Filter for Hybrid Event Cameras [13.600773150848543]
  イベントカメラはhdrの視覚情報をぼやけることなく捉えるのに理想的だ。 従来のイメージセンサーは、ゆっくりと変化するシーンの絶対強度を効果的に測定するが、高いダイナミックレンジや素早く変化するシーンでは不十分である。 本稿では,ハイダイナミックレンジシナリオのためのイベントベースビデオ再構成パイプラインを提案する。
  論文  参考訳（メタデータ） (2020-12-10T11:24:07Z)

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。