論文の概要: Efficient Deep Demosaicing with Spatially Downsampled Isotropic Networks
- arxiv url: http://arxiv.org/abs/2601.00703v1
- Date: Fri, 02 Jan 2026 14:40:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-05 15:04:33.587726
- Title: Efficient Deep Demosaicing with Spatially Downsampled Isotropic Networks
- Title（参考訳）: 空間的ダウンサンプリング型等方性ネットワークによる効率的な深層破壊
- Authors: Cory Fan, Wenchao Zhang,
- Abstract要約: デジタルイメージングでは、カラーフィルタアレイ(CFA)からRGB情報を復元する第1ステップとして、画像の復調が重要である。
本稿では,等方性ネットワークの効率と性能を向上できることを示す。
- 参考スコア（独自算出の注目度）: 1.0400862816095402
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In digital imaging, image demosaicing is a crucial first step which recovers the RGB information from a color filter array (CFA). Oftentimes, deep learning is utilized to perform image demosaicing. Given that most modern digital imaging applications occur on mobile platforms, applying deep learning to demosaicing requires lightweight and efficient networks. Isotropic networks, also known as residual-in-residual networks, have been often employed for image demosaicing and joint-demosaicing-and-denoising (JDD). Most demosaicing isotropic networks avoid spatial downsampling entirely, and thus are often prohibitively expensive computationally for mobile applications. Contrary to previous isotropic network designs, this paper claims that spatial downsampling to a signficant degree can improve the efficiency and performance of isotropic networks. To validate this claim, we design simple fully convolutional networks with and without downsampling using a mathematical architecture design technique adapted from DeepMAD, and find that downsampling improves empirical performance. Additionally, empirical testing of the downsampled variant, JD3Net, of our fully convolutional networks reveals strong empirical performance on a variety of image demosaicing and JDD tasks.
- Abstract（参考訳）: デジタルイメージングでは、カラーフィルタアレイ(CFA)からRGB情報を復元する重要な第1ステップである。
しばしば、深層学習を用いて画像の復調を行う。
ほとんどの最新のデジタル画像アプリケーションはモバイルプラットフォームで発生するため、ディープ・ラーニングをデモに応用するには軽量で効率的なネットワークが必要である。
残余ネットワークとも呼ばれる等方性ネットワークは、画像の復号化やJDD(Joint-Demosaicing-and-denoising)によく用いられている。
ほとんどのデモサイジング等方性ネットワークは、空間的なダウンサンプリングを完全に回避しているため、モバイルアプリケーションでは計算コストが禁じられていることが多い。
従来の等方性ネットワーク設計とは対照的に,本論文では,空間的ダウンサンプリングが等方性ネットワークの効率と性能を向上させることを主張する。
この主張を検証するために,DeepMADを応用した数学的アーキテクチャ設計手法を用いて,簡単な完全畳み込みネットワークを設計し,ダウンサンプリングが経験的性能を向上させることを発見した。
さらに、当社の完全畳み込みネットワークのダウンサンプル型であるJD3Netの実証テストでは、さまざまな画像復調やJDDタスクにおいて、強い経験的パフォーマンスが示されています。
関連論文リスト
- High-resolution efficient image generation from WiFi CSI using a pretrained latent diffusion model [1.3218606066831913]
WiFi CSI測定から物理環境の画像を生成する新しい方法であるLatentCSIを提案する。
本手法は軽量ニューラルネットワークを用いてCSI振幅を直接LCMの潜在空間にマッピングする。
次に、復号化前のテキストベースガイダンスを用いて、LCMの復号化拡散モデルを潜在表現に適用する。
論文 参考訳（メタデータ） (2025-06-12T11:47:23Z) - Efficient Visual State Space Model for Image Deblurring [99.54894198086852]
畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。
本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。
提案したEVSSMは、ベンチマークデータセットや実世界の画像に対する最先端の手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2024-05-23T09:13:36Z) - Efficient and Accurate Hyperspectral Image Demosaicing with Neural Network Architectures [3.386560551295746]
本研究では,ハイパースペクトル画像復調におけるニューラルネットワークアーキテクチャの有効性について検討した。
様々なネットワークモデルと修正を導入し、それらを従来の手法や既存の参照ネットワークアプローチと比較する。
その結果、我々のネットワークは、例外的な性能を示す両方のデータセットにおいて、参照モデルよりも優れるか、一致していることがわかった。
論文 参考訳（メタデータ） (2023-12-21T08:02:49Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。
まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。
FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。
エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
論文 参考訳（メタデータ） (2023-10-14T11:03:04Z) - ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and
Multispectral Data Fusion [54.668445421149364]
HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。
本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
論文 参考訳（メタデータ） (2023-10-11T07:30:37Z) - DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D
Microscopic Imaging using Digital Holography [3.4635026053111484]
デジタルホログラフィー(Digital holography)は、平面波面を持つレーザービームを物体に放出し、ホログラムと呼ばれる回折波形の強度を測定する3Dイメージング技術である。
近年,より正確なホログラフィック処理に深層学習(DL)法が用いられている。
本稿では, 識別ネットワークを用いて, 復元品質のセマンティック尺度を実現する, 生成的敵ネットワークに基づく新しいDLアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-05-25T17:13:45Z) - Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。
実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。
ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文 参考訳（メタデータ） (2021-03-15T12:54:26Z) - Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。
RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。
ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
論文 参考訳（メタデータ） (2020-03-16T16:54:36Z)
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。