論文の概要: Edit-aware RAW Reconstruction

• arxiv url: http://arxiv.org/abs/2512.05859v1
• Date: Fri, 05 Dec 2025 16:35:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:57.100957
• Title: Edit-aware RAW Reconstruction
• Title（参考訳）: 編集対応RAW再構成
• Authors: Abhijith Punnappurath, Luxi Zhao, Ke Zhao, Hue Nguyen, Radek Grzeszczuk, Michael S. Brown,
• Abstract要約: 既存のRAW再構成手法では、sRGB画像からRAWデータを復元することができるが、これらの手法は通常、ピクセルワイズRAW再構成の忠実度に最適化されている。 既存のRAW再構成フレームワークに組み込むことができるプラグイン・アンド・プレイ・編集対応の損失関数を導入する。 我々の損失は、様々な編集条件において、最大1.5-2dBのPSNRにより、sRGBの再構成品質を向上する。
• 参考スコア（独自算出の注目度）: 20.003629187239024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Users frequently edit camera images post-capture to achieve their preferred photofinishing style. While editing in the RAW domain provides greater accuracy and flexibility, most edits are performed on the camera's display-referred output (e.g., 8-bit sRGB JPEG) since RAW images are rarely stored. Existing RAW reconstruction methods can recover RAW data from sRGB images, but these approaches are typically optimized for pixel-wise RAW reconstruction fidelity and tend to degrade under diverse rendering styles and editing operations. We introduce a plug-and-play, edit-aware loss function that can be integrated into any existing RAW reconstruction framework to make the recovered RAWs more robust to different rendering styles and edits. Our loss formulation incorporates a modular, differentiable image signal processor (ISP) that simulates realistic photofinishing pipelines with tunable parameters. During training, parameters for each ISP module are randomly sampled from carefully designed distributions that model practical variations in real camera processing. The loss is then computed in sRGB space between ground-truth and reconstructed RAWs rendered through this differentiable ISP. Incorporating our loss improves sRGB reconstruction quality by up to 1.5-2 dB PSNR across various editing conditions. Moreover, when applied to metadata-assisted RAW reconstruction methods, our approach enables fine-tuning for target edits, yielding further gains. Since photographic editing is the primary motivation for RAW reconstruction in consumer imaging, our simple yet effective loss function provides a general mechanism for enhancing edit fidelity and rendering flexibility across existing methods.
• Abstract（参考訳）: ユーザーは撮影後のカメラ画像を頻繁に編集し、好みのフォトフィニッシュスタイルを達成する。 RAW領域での編集は精度と柔軟性が向上するが、RAW画像はほとんど保存されないため、ほとんどの編集はカメラの表示参照出力(例えば8ビットのsRGB JPEG)で行われる。 既存のRAW再構成手法では、sRGB画像からRAWデータを復元することができるが、これらの手法は一般的にピクセルワイズRAW再構成の忠実度に最適化されており、様々なレンダリングスタイルや編集操作の下で劣化する傾向がある。 既存のRAW再構成フレームワークに組み込むことができ、復元されたRAWを様々なレンダリングスタイルや編集に対してより堅牢にすることができる。 我々の損失定式化にはモジュラーで微分可能な画像信号プロセッサ(ISP)が組み込まれており、実際のフォトフィニッシュパイプラインを調整可能なパラメータでシミュレートする。 トレーニング中、各ISPモジュールのパラメータは、実際のカメラ処理の実践的なバリエーションをモデル化した、慎重に設計された分布からランダムにサンプリングされる。 この損失は、地上構造と、この微分可能なISPを通してレンダリングされたRAWの間のsRGB空間で計算される。 損失を埋め込むことで、様々な編集条件で最大1.5-2dBのPSNRで、sRGBの再構築品質が向上する。 さらに,メタデータを利用したRAW再構成手法に適用すると,ターゲット編集の微調整が可能となり,さらなる向上が期待できる。 画像編集がRAW再構成の第一の動機であるので,既存の手法間の編集精度向上とレンダリングの柔軟性向上のための一般的なメカニズムを提供する。

関連論文リスト

• RDDM: Practicing RAW Domain Diffusion Model for Real-world Image Restoration [27.387521556174104]
  本稿では,センサRAWデータから直接フォトリアリスティック画像を復元するエンド・ツー・エンド拡散モデルを提案する。 大規模トレーニングのために既存の sRGB データセットから拡張性のある分解パイプライン RAW LQ-HQ ペアを開発した。
  論文  参考訳（メタデータ） (2025-08-26T16:06:17Z)
• RAW Image Reconstruction from RGB on Smartphones. NTIRE 2025 Challenge Report [80.64928431399075]
  本稿では, sRGB (Reverse ISP) からのRAW再構成に関する第2の課題について述べる。 メタデータを使わずに対応するsRGB画像からRAWセンサイメージを回収することを目的としている。
  論文  参考訳（メタデータ） (2025-06-02T17:58:31Z)
• RAW-Adapter: Adapting Pre-trained Visual Model to Camera RAW Images and A Benchmark [58.47710845549269]
  RAW-Adapterは、学習可能なISPモジュールを入力レベルのアダプタとして組み込んでRAW入力を調整する新しいフレームワークである。 RAW-Adapterは様々なコンピュータビジョンフレームワークに適用可能な一般的なフレームワークとして機能する。 RAW-Benchには17種類のRAWベースの共通汚職が組み込まれている。
  論文  参考訳（メタデータ） (2025-03-21T10:37:42Z)
• 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)
• A Learnable Color Correction Matrix for RAW Reconstruction [19.394856071610604]
  複雑な逆画像信号処理装置(ISP)を近似する学習可能な色補正行列(CCM)を導入する。 実験結果から,本手法で生成したRAW(simRAW)画像は,より複雑な逆ISP法で生成した画像と同等の性能向上が得られた。
  論文  参考訳（メタデータ） (2024-09-04T07:46:42Z)
• 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)
• 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)
• Towards Low Light Enhancement with RAW Images [101.35754364753409]
  我々は、低光強度でRAW画像を使用することの優位性について、最初のベンチマークを行う。 本研究では,RAW画像の特性を計測可能な因子に分解するFEM(Facterized Enhancement Model)を新たに開発した。 実アプリケーションにおけるRAW画像の利点と利用不可のトレードオフを生かしたREENet(RAW-guiding Exposure Enhancement Network)を開発した。
  論文  参考訳（メタデータ） (2021-12-28T07:27:51Z)
• Invertible Image Signal Processing [42.109752151834456]
  InvISP(Invertible Image Signal Processing)パイプラインにより、視覚的に魅力的なsRGBイメージをレンダリングできます。 メモリのオーバーヘッドなしにsrgb画像から生データを合成する代わりに、リアルな生データを再構築できる。
  論文  参考訳（メタデータ） (2021-03-28T06:30:15Z)

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。