論文の概要: On-Device Super Resolution Imaging Using Low-Cost SPAD Array and Embedded Lightweight Deep Learning

• arxiv url: http://arxiv.org/abs/2603.27018v1
• Date: Fri, 27 Mar 2026 22:15:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.738322
• Title: On-Device Super Resolution Imaging Using Low-Cost SPAD Array and Embedded Lightweight Deep Learning
• Title（参考訳）: 低コストSPADアレイと組込み軽量深層学習を用いたオンデバイス超分解能イメージング
• Authors: Zhenya Zang, Xingda Li, David Day Uei Li,
• Abstract要約: この研究は、48x32の空間分解能を持つコンシューマグレードの単一光子アバランシェダイオード(SPAD)アレイから取得した深度と強度の画像のための超解像ニューラルネットワーク(LiteSR)を提案する。 提案するフレームワークは,256x256の高解像度画像(HR)を再構成する。
• 参考スコア（独自算出の注目度）: 1.1979851857700952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work presents a lightweight super-resolution (LiteSR) neural network for depth and intensity images acquired from a consumer-grade single-photon avalanche diode (SPAD) array with a 48x32 spatial resolution. The proposed framework reconstructs high-resolution (HR) images of size 256x256. Both synthetic and real datasets are used for performance evaluation. Extensive quantitative metrics demonstrate high reconstruction fidelity on synthetic datasets, while experiments on real indoor and outdoor measurements further confirm the robustness of the proposed approach. Moreover, the SPAD sensor is interfaced with an Arduino UNO Q microcontroller, which receives low-resolution (LR) depth and intensity images and feeds them into a compressed, pre-trained deep learning (DL) model, enabling real-time SR video streaming. In addition to the 256x256 setting, a range of target HR resolutions is evaluated to determine the maximum achievable upscaling resolution (512x512) with LiteSR, including scenarios with noise-corrupted LR inputs. The proposed LiteSR-embedded system co-design provides a scalable, cost-effective solution to enhance the spatial resolution of current consumer-grade SPAD arrays to meet HR imaging requirements.
• Abstract（参考訳）: 本研究は,48x32空間解像度のSPADアレイから取得した深度・強度画像のための軽量超解像(LiteSR)ニューラルネットワークを提案する。 提案するフレームワークは,256x256の高解像度画像(HR)を再構成する。 合成データセットと実データセットの両方がパフォーマンス評価に使用される。 大規模な定量的測定では, 合成データセットに高い再現性を示す一方, 屋内および屋外での実際の測定実験では, 提案手法の堅牢性をさらに裏付ける。 さらに、SPADセンサはArduino UNO Qマイクロコントローラでインターフェースされており、低解像度(LR)深度画像を受け取り、それらを圧縮された訓練済みの深層学習(DL)モデルに供給し、リアルタイムのSRビデオストリーミングを可能にする。 256x256設定に加えて、目標HR解像度の範囲を評価し、LiteSRで達成可能な最大アップスケーリング解像度(512x512)を決定する。 提案するLiteSR組込みシステム共同設計は、HR撮像要求を満たすため、現在のコンシューマグレードSPADアレイの空間分解能を高めるため、スケーラブルで費用対効果の高いソリューションを提供する。

関連論文リスト

• Dual-domain Adaptation Networks for Realistic Image Super-resolution [81.34345637776408]
  現実画像超解像(SR)は、現実世界の低解像度(LR)画像を高解像度(HR)画像に変換することに焦点を当てている。 現在の手法は、限られた現実世界のLR-HRデータと競合し、基本的な画像特徴の学習に影響を及ぼす。 我々は、シミュレーションされた画像SRモデルを実世界のデータセットに効率よく適応できる新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-11-21T12:57:23Z)
• RealOSR: Latent Unfolding Boosting Diffusion-based Real-world Omnidirectional Image Super-Resolution [11.290865218020386]
  RealOSRは、単一ステップ拡散デノゲーションを持つ現実世界のODISR(Real-ODISR)のための新しい拡散ベースのアプローチである。 RealOSRは、視覚的品質とtextbf200$times$推論アクセラレーションの大幅な改善を実現している。
  論文  参考訳（メタデータ） (2024-12-11T06:23:14Z)
• Symmetric Uncertainty-Aware Feature Transmission for Depth Super-Resolution [52.582632746409665]
  カラー誘導DSRのためのSymmetric Uncertainty-aware Feature Transmission (SUFT)を提案する。 本手法は最先端の手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-06-01T06:35:59Z)
• DCS-RISR: Dynamic Channel Splitting for Efficient Real-world Image Super-Resolution [15.694407977871341]
  実世界の画像超解像(RISR)は、未知の複雑な劣化下でのSR画像の品質向上に重点を置いている。 既存の手法は、分解レベルが異なる低解像度(LR)画像を強化するために重いSRモデルに依存している。 本稿では,DCS-RISRと呼ばれる高効率リアルタイム画像超解法のための動的チャネル分割方式を提案する。
  論文  参考訳（メタデータ） (2022-12-15T04:34:57Z)
• RRNet: Relational Reasoning Network with Parallel Multi-scale Attention for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
  光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。 光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。 提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
  論文  参考訳（メタデータ） (2021-10-27T07:18:32Z)
• Towards Fast and Accurate Real-World Depth Super-Resolution: Benchmark Dataset and Baseline [48.69396457721544]
  深度写像スーパーリゾリューション(SR)の研究を促進するために,RGB-D-Dという大規模データセットを構築した。 本稿では、RGB画像から高周波成分を適応的に分解して深度マップSRを導出する高速深度マップ超解像(FDSR)ベースラインを提供する。 実世界のLR深度マップでは、より明確な境界を持つより正確なHR深度マップを作成でき、ある程度の精度で深度値誤差を補正できる。
  論文  参考訳（メタデータ） (2021-04-13T13:27:26Z)
• A Parallel Down-Up Fusion Network for Salient Object Detection in Optical Remote Sensing Images [82.87122287748791]
  光リモートセンシング画像(RSI)における有意な物体検出のための新しい並列ダウンアップフュージョンネットワーク(PDF-Net)を提案する。 In-pathの低レベル・高レベルな特徴とクロスパスの多解像度な特徴をフル活用して、多様なスケールのサルエントオブジェクトを識別し、散らかった背景を抑える。 ORSSDデータセットの実験により、提案したネットワークは定性的かつ定量的に最先端のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-10-02T05:27:57Z)
• Real Image Super Resolution Via Heterogeneous Model Ensemble using GP-NAS [63.48801313087118]
  本稿では,高密度スキップ接続を有するディープ残差ネットワークを用いた画像超解像法を提案する。 提案手法は、AIM 2020 Real Image Super-Resolution Challengeの3トラックで1位を獲得した。
  論文  参考訳（メタデータ） (2020-09-02T22:33:23Z)
• Deep Generative Adversarial Residual Convolutional Networks for Real-World Super-Resolution [31.934084942626257]
  我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。 これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。 提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
  論文  参考訳（メタデータ） (2020-05-03T00:12:38Z)

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。