論文の概要: ERIENet: An Efficient RAW Image Enhancement Network under Low-Light Environment

• arxiv url: http://arxiv.org/abs/2512.15186v1
• Date: Wed, 17 Dec 2025 08:36:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.903066
• Title: ERIENet: An Efficient RAW Image Enhancement Network under Low-Light Environment
• Title（参考訳）: ERIENet: 低光環境下での効率的なRAW画像強調ネットワーク
• Authors: Jianan Wang, Yang Hong, Hesong Li, Tao Wang, Songrong Liu, Ying Fu,
• Abstract要約: 本稿では,効率的な畳み込みモジュールによるマルチスケール情報を並列処理する効率的なRAW画像強調ネットワーク(ERIENet)を提案する。 一般的に使用される低照度画像強調データセットの実験では、ERIENetは高効率で低照度RAW画像の高精細化において最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 23.307469598639077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: RAW images have shown superior performance than sRGB images in many image processing tasks, especially for low-light image enhancement. However, most existing methods for RAW-based low-light enhancement usually sequentially process multi-scale information, which makes it difficult to achieve lightweight models and high processing speeds. Besides, they usually ignore the green channel superiority of RAW images, and fail to achieve better reconstruction performance with good use of green channel information. In this work, we propose an efficient RAW Image Enhancement Network (ERIENet), which parallelly processes multi-scale information with efficient convolution modules, and takes advantage of rich information in green channels to guide the reconstruction of images. Firstly, we introduce an efficient multi-scale fully-parallel architecture with a novel channel-aware residual dense block to extract feature maps, which reduces computational costs and achieves real-time processing speed. Secondly, we introduce a green channel guidance branch to exploit the rich information within the green channels of the input RAW image. It increases the quality of reconstruction results with few parameters and computations. Experiments on commonly used low-light image enhancement datasets show that ERIENet outperforms state-of-the-art methods in enhancing low-light RAW images with higher effiency. It also achieves an optimal speed of over 146 frame-per-second (FPS) for 4K-resolution images on a single NVIDIA GeForce RTX 3090 with 24G memory.
• Abstract（参考訳）: RAW画像は、多くの画像処理タスクにおいて、特に低照度画像強調において、sRGB画像よりも優れた性能を示している。 しかし、RAWベースの低照度化のための既存のほとんどの方法は、通常、順次にマルチスケール情報を処理するため、軽量なモデルや高速な処理速度の達成が困難である。 さらに、RAW画像のグリーンチャネル優位性を無視し、グリーンチャネル情報をうまく活用して、より良いリコンストラクション性能を達成できないのが普通である。 本研究では,効率的な畳み込みモジュールによるマルチスケール情報の並列処理を行う効率的なRAW画像強調ネットワーク(ERIENet)を提案する。 まず,新しいチャネルを意識した高密度ブロックを持つマルチスケール完全並列アーキテクチャを導入し,特徴マップを抽出し,計算コストを低減し,リアルタイムな処理速度を実現する。 第2に、入力されたRAW画像のグリーンチャネル内の豊かな情報を利用するためのグリーンチャネル誘導分岐を導入する。 これにより、少ないパラメータと計算量で再構成結果の品質が向上する。 一般的に使用される低照度画像強調データセットの実験では、ERIENetは高効率で低照度RAW画像の高精細化において最先端の手法よりも優れていた。 また、1台のNVIDIA GeForce RTX 3090上の4K解像度画像に対して、24Gメモリで146フレーム/秒(FPS)を超える最適な速度を実現している。

関連論文リスト

• Efficient RAW Image Deblurring with Adaptive Frequency Modulation [12.675989208670664]
  RAW画像の劣化は、特に周波数依存のぼかしを扱う際、ユニークな課題を示す。 本稿では、RAW-to-RAWデブロアリング用に設計されたフレームワークである周波数拡張ネットワーク(FrENet)を提案する。 実験により,FrENetはRAW画像の劣化における最先端の劣化手法を超越していることが示された。
  論文  参考訳（メタデータ） (2025-05-30T09:46:39Z)
• RAW-Diffusion: RGB-Guided Diffusion Models for High-Fidelity RAW Image Generation [4.625376287612609]
  RGB画像でガイドされたRAW画像を生成するための新しい拡散法を提案する。 このアプローチは高忠実度RAW画像を生成し、カメラ固有のRAWデータセットの作成を可能にする。 提案手法を拡張してBDD100K-RAWとCityscapes-RAWデータセットを作成し,RAW画像におけるオブジェクト検出の有効性を明らかにする。
  論文  参考訳（メタデータ） (2024-11-20T09:40:12Z)
• Unveiling Hidden Details: A RAW Data-Enhanced Paradigm for Real-World Super-Resolution [56.98910228239627]
  リアル・ワールド・イメージ・スーパーレゾリューション(Real SR)は、低解像度(LR)画像から高忠実でディテールに富んだ高解像度(HR)画像を生成することを目的としている。 既存のReal SRメソッドは主にLR RGBドメインから詳細を生成することに重点を置いており、しばしば細部における豊かさや忠実さの欠如につながっている。 RAWデータに隠された詳細を用いて既存のRGBのみの手法を補完し、優れた出力を得る。
  論文  参考訳（メタデータ） (2024-11-16T13:29:50Z)
• 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)
• Raw Image Reconstruction with Learned Compact Metadata [61.62454853089346]
  本稿では,メタデータとしての潜在空間におけるコンパクトな表現をエンドツーエンドで学習するための新しいフレームワークを提案する。 提案する生画像圧縮方式は,グローバルな視点から重要な画像領域に適応的により多くのビットを割り当てることができることを示す。
  論文  参考訳（メタデータ） (2023-02-25T05:29:45Z)
• 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)
• 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)

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。