論文の概要: From Cheap to Pro: A Learning-based Adaptive Camera Parameter Network for Professional-Style Imaging
- arxiv url: http://arxiv.org/abs/2510.20550v1
- Date: Thu, 23 Oct 2025 13:35:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:18.023501
- Title: From Cheap to Pro: A Learning-based Adaptive Camera Parameter Network for Professional-Style Imaging
- Title（参考訳）: Cheap to Pro: プロフェッショナルスタイルイメージングのための学習型適応カメラパラメータネットワーク
- Authors: Fuchen Li, Yansong Du, Wenbo Cheng, Xiaoxia Zhou, Sen Yin,
- Abstract要約: ACamera-Netは軽量かつシーン適応型のカメラパラメータ調整ネットワークである。
RAW入力から最適露出とホワイトバランスを予測する。
画像品質を継続的に向上し、知覚出力を安定させる。
- 参考スコア（独自算出の注目度）: 0.07829352305480283
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Consumer-grade camera systems often struggle to maintain stable image quality under complex illumination conditions such as low light, high dynamic range, and backlighting, as well as spatial color temperature variation. These issues lead to underexposure, color casts, and tonal inconsistency, which degrade the performance of downstream vision tasks. To address this, we propose ACamera-Net, a lightweight and scene-adaptive camera parameter adjustment network that directly predicts optimal exposure and white balance from RAW inputs. The framework consists of two modules: ACamera-Exposure, which estimates ISO to alleviate underexposure and contrast loss, and ACamera-Color, which predicts correlated color temperature and gain factors for improved color consistency. Optimized for real-time inference on edge devices, ACamera-Net can be seamlessly integrated into imaging pipelines. Trained on diverse real-world data with annotated references, the model generalizes well across lighting conditions. Extensive experiments demonstrate that ACamera-Net consistently enhances image quality and stabilizes perception outputs, outperforming conventional auto modes and lightweight baselines without relying on additional image enhancement modules.
- Abstract（参考訳）: コンシューマグレードのカメラシステムは、低照度、高ダイナミックレンジ、バックライトなどの複雑な照明条件下での安定した画質を維持するのに苦労することが多い。
これらの問題は、低露光、カラーキャスト、トーン不整合につながり、下流の視覚タスクのパフォーマンスを低下させる。
そこで本稿では,RAW入力からの最適露出とホワイトバランスを直接予測する軽量かつシーン適応型カメラパラメータ調整ネットワークであるACamera-Netを提案する。
このフレームワークは2つのモジュールで構成されている。ACamera-ExposureはISOを過度な露光とコントラストの損失を軽減すると推定し、ACamera-Colorは相関した色温度を予測し、色整合性を改善するための要素を得る。
エッジデバイス上でのリアルタイム推論に最適化されたACamera-Netは、画像パイプラインにシームレスに統合できる。
注釈付き参照を持つ多様な実世界のデータに基づいて訓練され、このモデルは照明条件を越えてうまく一般化される。
大規模な実験により、ACamera-Netは画像品質を継続的に向上し、知覚出力を安定させ、画像拡張モジュールを必要とせずに従来のオートモードや軽量ベースラインより優れた性能を発揮することが示されている。
関連論文リスト
- LightQANet: Quantized and Adaptive Feature Learning for Low-Light Image Enhancement [65.06462316546806]
低照度画像強調は、高品質な色とテクスチャを維持しながら照明を改善することを目的としている。
既存の手法では、低照度条件下での画素レベルの情報劣化により、信頼性の高い特徴表現の抽出に失敗することが多い。
低照度向上のための量子化・適応型特徴学習を実現する新しいフレームワークLightQANetを提案する。
論文 参考訳（メタデータ） (2025-10-16T14:54:42Z) - Enhancing Infrared Vision: Progressive Prompt Fusion Network and Benchmark [58.61079960074608]
既存の赤外線画像強調法は、個々の劣化に対処することに焦点を当てている。
一般的にRGBセンサーに適用されるオールインワンエンハンスメント法は、有効性が制限されることが多い。
論文 参考訳（メタデータ） (2025-10-10T12:55:54Z) - LiDAR Point Cloud Colourisation Using Multi-Camera Fusion and Low-Light Image Enhancement [0.0]
本研究では,複数のカメラ入力を用いてメカニカルLiDARから色付き点雲を生成する,ハードウェアに依存しない新しい手法を提案する。
主なイノベーションは、低照度条件下での堅牢性であり、低照度画像拡張モジュールの統合によって達成される。
このアルゴリズムは、Velodyne Puck Hi-Res LiDARと4カメラ構成を用いてテストされた。
論文 参考訳（メタデータ） (2025-09-30T06:56:11Z) - Time-Aware Auto White Balance in Mobile Photography [32.74472735591053]
3,224個のスマートフォン画像のデータセットを導入し、様々な時間帯と様々な照明条件下でコンテキストメタデータを収集した。
データセットは、色チャートを用いて決定される地中照度照明色と、ユーザスタディにより検証されるユーザ優先照度を含む。
論文 参考訳（メタデータ） (2025-04-08T02:45:37Z) - Luminance-GS: Adapting 3D Gaussian Splatting to Challenging Lighting Conditions with View-Adaptive Curve Adjustment [46.60106452798745]
3DGSを用いた照明条件下での高品質な新規ビュー合成を実現するための新しいアプローチであるLuminance-GSを紹介する。
ビューごとのカラーマトリクスマッピングとビュー適応曲線調整を採用することで、Luminance-GSは様々な照明条件でSOTA(State-of-the-art)結果を達成する。
以前のNeRFおよび3DGSベースのベースラインと比較して、Luminance-GSは再現性を改善したリアルタイムレンダリング速度を提供する。
論文 参考訳（メタデータ） (2025-04-02T08:54:57Z) - SEE: See Everything Every Time - Adaptive Brightness Adjustment for Broad Light Range Images via Events [62.23917631871362]
ダイナミックレンジが120億ドルを超えるイベントカメラは、従来の組込みカメラをはるかに上回っている。
本研究では,広い照明条件下で撮影した画像の明るさを拡張・適応的に調整するために,イベントをどのように利用するかという,新しい研究課題を提案する。
我々のフレームワークは、センサパターンを通して色を捉え、イベントを輝度辞書としてモデル化するためにクロスアテンションを使用し、画像のダイナミックレンジを調整し、広い光域表現を形成する。
論文 参考訳（メタデータ） (2025-02-28T14:55:37Z) - LUMINA-Net: Low-light Upgrade through Multi-stage Illumination and Noise Adaptation Network for Image Enhancement [26.585985828583304]
低照度画像強調(LLIE)は、低照度条件下で撮影された画像の視覚的忠実度を高めることを目的としたコンピュータビジョンにおける重要な課題である。
LUMINA-Netは,多段照明と反射モジュールを統合することで,低照度画像ペアから適応的な事前学習を行う,教師なしのディープラーニングフレームワークである。
論文 参考訳（メタデータ） (2025-02-21T03:37:58Z) - Dimma: Semi-supervised Low Light Image Enhancement with Adaptive Dimming [0.728258471592763]
自然色を維持しながら低照度画像を強調することは、カメラ処理のバリエーションによって難しい問題である。
そこで我々はDimmaを提案する。Dimmaは、画像対の小さなセットを利用して、任意のカメラと整合する半教師付きアプローチである。
そこで我々は,照明の違いに基づいて,シーンの歪み色を生成する畳み込み混合密度ネットワークを導入することで実現した。
論文 参考訳（メタデータ） (2023-10-14T17:59:46Z) - 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)
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。