論文の概要: SpiralDiff: Spiral Diffusion with LoRA for RGB-to-RAW Conversion Across Cameras

• arxiv url: http://arxiv.org/abs/2603.14885v1
• Date: Mon, 16 Mar 2026 06:32:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.104564
• Title: SpiralDiff: Spiral Diffusion with LoRA for RGB-to-RAW Conversion Across Cameras
• Title（参考訳）: SpiralDiff:RGB-RAW変換用カメラ用LoRAを用いたスパイラル拡散
• Authors: Huanjing Yue, Shangbin Xie, Cong Cao, Qian Wu, Lei Zhang, Lei Zhao, Jingyu Yang,
• Abstract要約: 近年のRGB-to-RAW変換法は,RGBからRAW画像を合成することを目的としている。 i) 再構成の難しさは画素強度によって異なり、 (ii) マルチカメラ変換にはカメラ固有の適応が必要である。 本稿では,RGB-RAW変換に適した拡散型フレームワークであるSpralDiffを提案する。
• 参考スコア（独自算出の注目度）: 27.5892589353833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: RAW images preserve superior fidelity and rich scene information compared to RGB, making them essential for tasks in challenging imaging conditions. To alleviate the high cost of data collection, recent RGB-to-RAW conversion methods aim to synthesize RAW images from RGB. However, they overlook two key challenges: (i) the reconstruction difficulty varies with pixel intensity, and (ii) multi-camera conversion requires camera-specific adaptation. To address these issues, we propose SpiralDiff, a diffusion-based framework tailored for RGB-to-RAW conversion with a signal-dependent noise weighting strategy that adapts reconstruction fidelity across intensity levels. In addition, we introduce CamLoRA, a camera-aware lightweight adaptation module that enables a unified model to adapt to different camera-specific ISP characteristics. Extensive experiments on four benchmark datasets demonstrate the superiority of SpiralDiff in RGB-to-RAW conversion quality and its downstream benefits in RAW-based object detection. Our code and model are available at https://github.com/Chuancy-TJU/SpiralDiff.
• Abstract（参考訳）: RAW画像はRGBに比べて優れた忠実度とリッチなシーン情報を保ち、撮像条件に挑戦するタスクに欠かせない。 近年のRGB-to-RAW変換手法は,高コストなデータ収集を実現するため,RGBからRAW画像を合成することを目的としている。 しかし、彼らは2つの主要な課題を見落としている。 (i)再現の難しさは画素強度によって異なり、 (ii)マルチカメラ変換にはカメラ固有の適応が必要である。 これらの問題に対処するために,RGB-RAW変換に適した拡散型フレームワークであるSpiralDiffを提案する。 また、カメラ対応軽量適応モジュールであるCamLoRAを導入し、カメラ固有のISP特性に統一モデルで適応できるようにする。 4つのベンチマークデータセットに対する大規模な実験は、RGBからRAWへの変換品質におけるSpralDiffの優位性と、RAWに基づくオブジェクト検出における下流の利点を示している。 私たちのコードとモデルはhttps://github.com/Chuancy-TJU/SpiralDiff.comで公開されています。

関連論文リスト

• RAW-Flow: Advancing RGB-to-RAW Image Reconstruction with Deterministic Latent Flow Matching [55.03149221192589]
  本稿では,RGBとRAW表現のギャップを埋めるためにRAW-Flowという新しいフレームワークを提案する。 また、階層的なRGB機能をフロー推定プロセスに注入する、大規模コンテキストガイダンスモジュールも導入する。 RAW-Flowは、定量的にも視覚的にも最先端のアプローチより優れている。
  論文  参考訳（メタデータ） (2026-01-28T08:27:38Z)
• 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)
• Towards RAW Object Detection in Diverse Conditions [65.30190654593842]
  62のカテゴリにまたがる135,601のアノテーション付きインスタンスを備えた7,785の高分解能実RAW画像を提供するAODRawデータセットを紹介した。 sRGB と RAW の領域ギャップにより RAW オブジェクト検出の可能性は sRGB と RAW との事前学習によって制限されることがわかった。 我々は,RAW事前学習を支援するために,SRGBドメインで事前学習した市販のモデルから知識を抽出する。
  論文  参考訳（メタデータ） (2024-11-24T01:23:04Z)
• 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)
• Self-Supervised Reversed Image Signal Processing via Reference-Guided Dynamic Parameter Selection [1.1602089225841632]
  メタデータとペア画像を必要としない自己教師付き逆ISP方式を提案する。 提案手法は,RGB画像を参照RAW画像と同じセンサで同一環境で撮影されたRAWライクな画像に変換する。 提案手法は,他の最先端教師付き手法に匹敵する精度で,様々な逆ISPを学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-24T11:12:05Z)
• 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 RAW-to-sRGB Mappings with Inaccurately Aligned Supervision [76.41657124981549]
  本稿では,画像アライメントとRAW-to-sRGBマッピングのための共同学習モデルを提案する。 実験の結果,本手法はZRRおよびSR-RAWデータセットの最先端に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2021-08-18T12:41:36Z)

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。