論文の概要: Mobile-friendly Image de-noising: Hardware Conscious Optimization for Edge Application

• arxiv url: http://arxiv.org/abs/2601.11684v1
• Date: Fri, 16 Jan 2026 09:39:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.281167
• Title: Mobile-friendly Image de-noising: Hardware Conscious Optimization for Edge Application
• Title（参考訳）: モバイルフレンドリーな画像デノイズ:エッジアプリケーションのためのハードウェア意識最適化
• Authors: Srinivas Miriyala, Sowmya Vajrala, Hitesh Kumar, Sravanth Kodavanti, Vikram Rajendiran,
• Abstract要約: 本研究は,エントロピー規則化可微分ニューラルアーキテクチャサーチ(NAS)を用いて得られた画像の非雑音化のための,モバイルフレンドリーな新しいネットワークを提案する。 設計されたモデルはパラメータが12%少なく、デバイス上のレイテンシが2倍改善され、PSNRが0.7%減少し、Samsung Galaxy S24 Ultraにデプロイおよびプロファイルされた場合、メモリフットプリントが1.5倍改善された。
• 参考スコア（独自算出の注目度）: 1.5658704610960574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image enhancement is a critical task in computer vision and photography that is often entangled with noise. This renders the traditional Image Signal Processing (ISP) ineffective compared to the advances in deep learning. However, the success of such methods is increasingly associated with the ease of their deployment on edge devices, such as smartphones. This work presents a novel mobile-friendly network for image de-noising obtained with Entropy-Regularized differentiable Neural Architecture Search (NAS) on a hardware-aware search space for a U-Net architecture, which is first-of-its-kind. The designed model has 12% less parameters, with ~2-fold improvement in ondevice latency and 1.5-fold improvement in the memory footprint for a 0.7% drop in PSNR, when deployed and profiled on Samsung Galaxy S24 Ultra. Compared to the SOTA Swin-Transformer for Image Restoration, the proposed network had competitive accuracy with ~18-fold reduction in GMACs. Further, the network was tested successfully for Gaussian de-noising with 3 intensities on 4 benchmarks and real-world de-noising on 1 benchmark demonstrating its generalization ability.
• Abstract（参考訳）: 画像強調は、しばしばノイズに絡み合ったコンピュータビジョンや写真において重要な課題である。 これにより、ディープラーニングの進歩に比べ、従来の画像信号処理(ISP)は非効率である。 しかし、このような手法の成功は、スマートフォンなどのエッジデバイスへの展開の容易さにますます結びついている。 本研究は,U-Netアーキテクチャのハードウェア対応検索空間上で,エントロピー規則化された微分可能なニューラルアーキテクチャ探索(NAS)を用いて得られた画像の非雑音化のための新しいモバイルフレンドリーなネットワークを提案する。 設計されたモデルではパラメータが12%減少し、デバイス上のレイテンシが約2倍改善され、PSNRが0.7%低下し、Samsung Galaxy S24 Ultraにデプロイおよびプロファイルされた時にメモリフットプリントが1.5倍改善された。 画像復元のためのSOTA Swin-Transformerと比較して、提案したネットワークはGMACを約18倍削減した。 さらに、このネットワークは4つのベンチマークで3つのインテンシティを持つガウスのデノイズ化と、その一般化能力を示す1つのベンチマークで現実世界のデノイズ化に成功している。

関連論文リスト

• High-resolution Photo Enhancement in Real-time: A Laplacian Pyramid Network [73.19214585791268]
  本稿では,LLF-LUT++と呼ばれるピラミッドネットワークについて紹介する。 具体的には,ダウンサンプリング画像のグローバル音節特性を活かした画像適応型3D LUTを利用する。 LLF-LUT++は、HDR+データセット上でPSNRが2.64dB改善されただけでなく、4K解像度の画像を1つのGPUでわずか13msで処理することで、さらに削減されている。
  論文  参考訳（メタデータ） (2025-10-13T16:52:32Z)
• MoiréNet: A Compact Dual-Domain Network for Image Demoiréing [14.959312694378765]
  モワールパターンは、ディスプレイピクセル格子とカメラセンサーグリッドの間のスペクトルエイリアスから生じる。 本稿では,周波数領域と空間領域の機能を統合した畳み込み型ニューラルネットワークによる人工物除去フレームワークであるMoir'eNetを提案する。
  論文  参考訳（メタデータ） (2025-09-23T12:33:23Z)
• DnLUT: Ultra-Efficient Color Image Denoising via Channel-Aware Lookup Tables [60.95483707212802]
  DnLUTは、リソース消費を最小限に抑えながら高品質なカラーイメージを実現する、超効率的なルックアップテーブルベースのフレームワークである。 Pairwise Channel Mixer(PCM)は、チャネル間の相関関係と空間的依存関係を並列に効果的にキャプチャし、L字型畳み込み設計により受容界のカバレッジを最大化する。 これらのコンポーネントをトレーニング後に最適化されたルックアップテーブルに変換することで、DnLUTは、CNNの競合であるDnCNNと比較して500KBのストレージと0.1%のエネルギー消費しか必要とせず、20倍高速な推論を実現している。
  論文  参考訳（メタデータ） (2025-03-20T08:15:29Z)
• Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• Selective Residual M-Net for Real Image Denoising [6.909688694501238]
  本稿では,視覚的実画像復調ネットワーク(SRMNet)を提案する。 具体的には、M-Netと呼ばれる階層構造上の残留ブロックを持つ選択的カーネルを用いて、マルチスケールのセマンティック情報を強化する。 OurNetは、定量的メトリクスと視覚的品質の点で、2つの合成および2つの実世界のノイズの多いデータセット上で、競合するパフォーマンス結果を持っています。
  論文  参考訳（メタデータ） (2022-03-03T11:10:30Z)
• A New Backbone for Hyperspectral Image Reconstruction [90.48427561874402]
  3次元ハイパースペクトル画像(HSI)再構成は、スナップショット圧縮画像の逆過程を指す。 空間/スペクトル不変Residual U-Net、すなわちSSI-ResU-Netを提案する。 SSI-ResU-Net は浮動小数点演算の 77.3% 以上で競合する性能を実現する。
  論文  参考訳（メタデータ） (2021-08-17T16:20:51Z)
• Feature-Align Network and Knowledge Distillation for Efficient Denoising [4.997028216419175]
  深層学習に基づくRAW画像復調は画像復元において重要な問題である。 モバイルデバイス上での効率的なRAWデノベーションのための新しいネットワークを提案する。 MACが263倍、パラメータが最新ネットワークよりも17.6倍少ない48.28dBのPSNRを実現します。
  論文  参考訳（メタデータ） (2021-03-02T07:09:32Z)
• Practical Deep Raw Image Denoising on Mobile Devices [30.3578422624862]
  本稿では,メインストリームのモバイルデバイス上でスムーズに動作可能な,軽量で効率的なニューラルネットワークベースの生画像デノイザを提案する。 提案したモバイルフレンドリーなデノーミングモデルはQualcomm Snapdragon 855チップセット上で70ミリ秒/メガピクセルで動作する。
  論文  参考訳（メタデータ） (2020-10-14T10:30:32Z)
• Pre-defined Sparsity for Low-Complexity Convolutional Neural Networks [9.409651543514615]
  この研究は、フィルタ内で定期的に繰り返されるサポートセットを持つ、事前に定義されたスパース2Dカーネルを持つ畳み込みレイヤを導入している。 周期的なスパースカーネルの効率的な保存のため、パラメータの節約はエネルギー効率を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-01-29T07:10:56Z)

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。