論文の概要: AIM 2025 Low-light RAW Video Denoising Challenge: Dataset, Methods and Results
- arxiv url: http://arxiv.org/abs/2508.16830v1
- Date: Fri, 22 Aug 2025 23:02:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-26 18:43:45.196026
- Title: AIM 2025 Low-light RAW Video Denoising Challenge: Dataset, Methods and Results
- Title（参考訳）: AIM 2025 低照度RAWビデオDenoising Challenge: Dataset, Methods and Results
- Authors: Alexander Yakovenko, George Chakvetadze, Ilya Khrapov, Maksim Zhelezov, Dmitry Vatolin, Radu Timofte, Youngjin Oh, Junhyeong Kwon, Junyoung Park, Nam Ik Cho, Senyan Xu, Ruixuan Jiang, Long Peng, Xueyang Fu, Zheng-Jun Zha, Xiaoping Peng, Hansen Feng, Zhanyi Tie, Ziming Xia, Lizhi Wang,
- Abstract要約: 本稿では,AIM 2025 (Advances in Image Manipulation) Low-Light RAW Video Denoising Challengeについて述べる。
本研究の目的は,フレームレートによる露光時間制限下での時間的冗長性を利用して,低照度RAW映像をノイズ化する手法を開発することである。
9つの条件で14個のスマートフォンカメラセンサーでキャプチャされた756個の10フレームシーケンスのベンチマークを新たに導入する。
- 参考スコア（独自算出の注目度）: 118.03343690763597
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper reviews the AIM 2025 (Advances in Image Manipulation) Low-Light RAW Video Denoising Challenge. The task is to develop methods that denoise low-light RAW video by exploiting temporal redundancy while operating under exposure-time limits imposed by frame rate and adapting to sensor-specific, signal-dependent noise. We introduce a new benchmark of 756 ten-frame sequences captured with 14 smartphone camera sensors across nine conditions (illumination: 1/5/10 lx; exposure: 1/24, 1/60, 1/120 s), with high-SNR references obtained via burst averaging. Participants process linear RAW sequences and output the denoised 10th frame while preserving the Bayer pattern. Submissions are evaluated on a private test set using full-reference PSNR and SSIM, with final ranking given by the mean of per-metric ranks. This report describes the dataset, challenge protocol, and submitted approaches.
- Abstract（参考訳）: 本稿では,AIM 2025 (Advances in Image Manipulation) Low-Light RAW Video Denoising Challengeについて述べる。
本課題は,フレームレートによる露光時間制限下での時間的冗長性を利用して,センサ固有の信号依存ノイズに適応し,低照度RAW映像をノイズ化する手法を開発することである。
9つの条件(照度: 1/5/10 lx,露光: 1/24, 1/60, 1/120 s)で、14個のスマートフォンカメラセンサーでキャプチャされた756個の10フレームシーケンスのベンチマークを導入し、バースト平均化により高SNR参照を得た。
参加者は線形RAWシーケンスを処理し、ベイアパターンを保存しながら第10フレームを出力する。
サブミッションは、全基準PSNRとSSIMを使用してプライベートテストセットで評価され、最終ランクは測定単位の平均で与えられる。
本報告では、データセット、チャレンジプロトコル、提案されたアプローチについて述べる。
関連論文リスト
- Learning to See in the Extremely Dark [41.386150786725295]
我々は、高解像度のRAW画像を生成することができるペア対ペアデータ合成パイプラインを提案する。
See-in-Extremely-Dark(SIED)と呼ばれる大規模なペアデータセットは、低照度RAW画像拡張アプローチのベンチマークに使用される。
非常に低SNR RAW入力から視覚的満足度を回復する拡散型フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-26T10:24:07Z) - YOND: Practical Blind Raw Image Denoising Free from Camera-Specific Data Dependency [21.484736989505464]
本稿では,YONDという新しい視覚的生画像復号法について紹介する。
合成データのみに基づいて訓練されたYONDは、さまざまな未知のカメラが捉えたノイズの多い生画像に対して、堅牢に一般化することができる。
具体的には、YONDの実用性を保証するために、3つの重要なモジュールを提案する: 粗大なノイズ推定(CNE)、期待整合分散安定化変換(EM-VST)、SNR誘導デノイザ(SNR-Net)。
論文 参考訳（メタデータ） (2025-06-04T07:40:48Z) - Modeling Dual-Exposure Quad-Bayer Patterns for Joint Denoising and Deblurring [22.82877719326985]
単一イメージのソリューションは、ノイズ低減と動きのぼかしの間に固有のトレードオフに直面している。
本稿では,新しい2重露光型Qad-Bayerパターンセンサを利用した物理モデルに基づく画像復元手法を提案する。
QRNetと呼ばれる階層型畳み込みニューラルネットワークを設計し、高品質なRGB画像を復元する。
論文 参考訳（メタデータ） (2024-12-10T07:35:26Z) - Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。
RAWMambaと呼ばれる低照度RAW画像用にカスタマイズされた新しいMambaベースの手法を提案する。
低照度RAW画像の高精細化を図り、復調を施すことにより、高精細化を実現する。
論文 参考訳（メタデータ） (2024-09-11T06:12:03Z) - Make Explicit Calibration Implicit: Calibrate Denoiser Instead of the
Noise Model [83.9497193551511]
デジタルゲインやカメラセンサーによらず有効であるLED(Lighting Every Darkness)を導入する。
LEDは明示的なノイズモデルのキャリブレーションの必要性を排除し、高速な展開と最小限のデータを必要とする暗黙の微調整プロセスを活用する。
LEDは、センサー工学の利点を生かしながら、ディープラーニングの進歩にもっと注力することを可能にする。
論文 参考訳（メタデータ） (2023-08-07T10:09:11Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - 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) - NTIRE 2022 Challenge on High Dynamic Range Imaging: Methods and Results [173.32437855731752]
この課題はCVPR 2022と共同でNTIRE(New Trends in Image Restoration and Enhancement)ワークショップの一環として行われた。
この課題は、複数の低ダイナミックレンジ(LDR)観測からHDR画像を推定することを目的としている。
論文 参考訳（メタデータ） (2022-05-25T10:20:06Z) - Joint denoising and HDR for RAW video sequences [0.0]
RAWマルチ露光画像の同時復調・融合のためのパッチベース手法を提案する。
提案手法は,実RAWデータを用いて最先端の融合結果が得られることを示す。
論文 参考訳（メタデータ） (2022-01-18T15:47:41Z)
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。