論文の概要: $\mathbf{R}^3$: Reconstruction, Raw, and Rain: Deraining Directly in the Bayer Domain
- arxiv url: http://arxiv.org/abs/2509.24022v1
- Date: Sun, 28 Sep 2025 18:31:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-30 22:32:19.595132
- Title: $\mathbf{R}^3$: Reconstruction, Raw, and Rain: Deraining Directly in the Bayer Domain
- Title（参考訳）: $\mathbf{R}^3$: Restruction, Raw, and Rain: Deraining in the Bayer Domain
- Authors: Nate Rothschild, Moshe Kimhi, Avi Mendelson, Chaim Baskin,
- Abstract要約: ほとんどの再構成ネットワークはISP後のsRGBイメージでトレーニングされているが、イメージ信号処理パイプラインは、色やクリップのダイナミックレンジを不可逆的に混合し、細部がぼやけている。
本報告では, 雨害対策として雨害対策を応用し, 生モザイクを直接学習することで, より優れた再現性が得られることを示す。
- 参考スコア（独自算出の注目度）: 5.193141021890106
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Image reconstruction from corrupted images is crucial across many domains. Most reconstruction networks are trained on post-ISP sRGB images, even though the image-signal-processing pipeline irreversibly mixes colors, clips dynamic range, and blurs fine detail. This paper uses the rain degradation problem as a use case to show that these losses are avoidable, and demonstrates that learning directly on raw Bayer mosaics yields superior reconstructions. To substantiate the claim, we (i) evaluate post-ISP and Bayer reconstruction pipelines, (ii) curate Raw-Rain, the first public benchmark of real rainy scenes captured in both 12-bit Bayer and bit-depth-matched sRGB, and (iii) introduce Information Conservation Score (ICS), a color-invariant metric that aligns more closely with human opinion than PSNR or SSIM. On the test split, our raw-domain model improves sRGB results by up to +0.99 dB PSNR and +1.2% ICS, while running faster with half of the GFLOPs. The results advocate an ISP-last paradigm for low-level vision and open the door to end-to-end learnable camera pipelines.
- Abstract（参考訳）: 劣化した画像からの画像再構成は多くの領域で不可欠である。
ほとんどの再構成ネットワークはISP後のsRGBイメージでトレーニングされているが、イメージ信号処理パイプラインは、色やクリップのダイナミックレンジを不可逆的に混合し、細部がぼやけている。
本報告では, 雨害対策として雨害対策を応用し, 生モザイクを直接学習することで, より優れた再現性が得られることを示す。
その主張を裏付けるために、我々は
i)ポストISPおよびベイア再構築パイプラインの評価
(II)12bit Bayerとbit-deepth-matched sRGBの両方で撮影された実際の雨のシーンの最初の公開ベンチマークであるRaw-Rainをキュレートする。
三 情報保存スコア(ICS)は、PSNRやSSIMよりも人間の意見とより密に一致した色不変計量である。
テスト分割では、GFLOPの半分で高速に動作しながら、最大で0.99dBのPSNRと+1.2%のICSを実現した。
その結果、低レベルのビジョンのためのISP-lastパラダイムが提唱され、エンドツーエンドの学習可能なカメラパイプラインへの扉が開かれた。
関連論文リスト
- Dark-ISP: Enhancing RAW Image Processing for Low-Light Object Detection [22.292648672901066]
低照度オブジェクト検出は、多くの現実世界のアプリケーションにとって重要であるが、画質が劣化しているため、依然として困難である。
そこで我々は,暗黒環境下で直接Baier RAW画像を処理できる,軽量で自己適応的な画像信号処理(ISP)プラグインであるDark-ISPを提案する。
提案手法は最先端のRGBおよびRAWに基づく検出手法より優れており、低照度環境への挑戦において最小限のパラメータで優れた結果が得られる。
論文 参考訳（メタデータ） (2025-09-11T06:44:43Z) - Toward Efficient Deep Blind RAW Image Restoration [56.41827271721955]
我々は、深部ブラインドRAW復元モデルをトレーニングするための、新しい現実的な劣化パイプラインを設計する。
私たちのパイプラインでは、リアルなセンサーノイズ、動きのぼかし、カメラの揺れ、その他の一般的な劣化について検討しています。
パイプラインと複数のセンサーのデータで訓練されたモデルは、ノイズとぼやけをうまく低減し、異なるカメラから撮影されたRAW画像の細部を復元する。
論文 参考訳（メタデータ） (2024-09-26T18:34:37Z) - 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) - BSRAW: Improving Blind RAW Image Super-Resolution [63.408484584265985]
RAW領域におけるブラインド画像の超解像化に取り組む。
生センサデータを用いたトレーニングモデルに特化した,現実的な劣化パイプラインを設計する。
私たちのパイプラインでトレーニングしたBSRAWモデルは、リアルタイムRAW画像をスケールアップし、品質を向上させることができます。
論文 参考訳（メタデータ） (2023-12-24T14:17:28Z) - StereoISP: Rethinking Image Signal Processing for Dual Camera Systems [4.703692756660711]
StereoISPは、ステレオカメラ対から生測値を用いて、デシックされたデノライズされたRGB画像を生成する。
KITTI 2015では,再建RGB画像のPSNRを少なくとも2dB改善した。
論文 参考訳（メタデータ） (2022-11-11T18:34:59Z) - 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) - Learning sRGB-to-Raw-RGB De-rendering with Content-Aware Metadata [46.28281823015191]
我々は,サンプリングと再構築を共同で学習することで,デレンダリングの結果を改善する方法を示す。
実験の結果,既存の手法よりも画像内容に適応し,生の再現性を向上できることがわかった。
論文 参考訳（メタデータ） (2022-06-03T20:43:17Z) - Pseudo-ISP: Learning Pseudo In-camera Signal Processing Pipeline from A
Color Image Denoiser [73.88164217509816]
雑音の差によるテスト画像の処理にカラー画像復調器を適応させる未ペア学習方式を提案する。
我々は,事前訓練されたデノイザー,テスト用ノイズ画像のセット,クリーン画像の非ペア化など,実践的なトレーニング設定を検討する。
pseudo-ispは現実的なsrgb画像の合成に有効である。
論文 参考訳（メタデータ） (2021-03-18T13:11:28Z)
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。