論文の概要: RAWIC: Bit-Depth Adaptive Lossless Raw Image Compression

• arxiv url: http://arxiv.org/abs/2603.28105v1
• Date: Mon, 30 Mar 2026 07:10:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.27047
• Title: RAWIC: Bit-Depth Adaptive Lossless Raw Image Compression
• Title（参考訳）: RAWIC:bit-Depth Adaptive Lossless Raw Image Compression
• Authors: Chunhang Zheng, Tongda Xu, Mingli Xie, Yan Wang, Dou Li,
• Abstract要約: 生画像は、線形センサ測定と高度な視覚タスクや写真応用に不可欠な高ビット深度情報を保存する。 本稿では,ベイアパターンの生画像に対して,ビット深度適応型学習損失レス圧縮フレームワークRAWICを紹介する。 実験の結果、RAWICは従来のロスレスコーデックを一貫して上回り、JPEG-XLよりも平均7.7%の削減を達成した。
• 参考スコア（独自算出の注目度）: 9.683776221550984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Raw images preserve linear sensor measurements and high bit-depth information crucial for advanced vision tasks and photography applications, yet their storage remains challenging due to large file sizes, varying bit depths, and sensor-dependent characteristics. Existing learned lossless compression methods mainly target 8-bit sRGB images, while raw reconstruction approaches are inherently lossy and rely on camera-specific assumptions. To address these challenges, we introduce RAWIC, a bit-depth-adaptive learned lossless compression framework for Bayer-pattern raw images. We first convert single-channel Bayer data into a four-channel RGGB format and partition it into patches. For each patch, we compute its bit depth and use it as auxiliary input to guide compression. A bit-depth-adaptive entropy model is then designed to estimate patch distributions conditioned on their bit depths. This architecture enables a single model to handle raw images from diverse cameras and bit depths. Experiments show that RAWIC consistently surpasses traditional lossless codecs, achieving an average 7.7% bitrate reduction over JPEG-XL. Our code is available at https://github.com/chunbaobao/RAWIC.
• Abstract（参考訳）: 生画像は、線形センサ計測と高度な視覚タスクや写真アプリケーションに不可欠な高ビット深度情報を保持するが、大きなファイルサイズ、ビット深度の変化、センサ依存特性のために保存は困難である。 既存の学習されたロスレス圧縮手法は主に8ビットのsRGB画像をターゲットにしているが、生の再構成手法は本質的に損失が多く、カメラ固有の仮定に依存している。 これらの課題に対処するために、我々は、ベイアパターンの生画像に対するビット深度適応型学習損失レス圧縮フレームワークRAWICを紹介した。 まず、シングルチャネルベイアデータを4チャンネルのRGGBフォーマットに変換し、パッチに分割する。 各パッチに対して、ビット深度を計算し、圧縮をガイドするための補助入力として使用する。 ビット深度適応エントロピーモデルは、ビット深度に条件付けられたパッチ分布を推定するように設計される。 このアーキテクチャは、多様なカメラとビット深度からの生画像を扱う単一のモデルを可能にする。 実験の結果、RAWICは従来のロスレスコーデックを一貫して上回り、JPEG-XLよりも平均7.7%のビットレート削減を達成した。 私たちのコードはhttps://github.com/chunbaobao/RAWIC.comで公開されています。

関連論文リスト

• 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)
• Rawformer: Unpaired Raw-to-Raw Translation for Learnable Camera ISPs [53.68932498994655]
  本稿では,多種多様なカメラを用いた生と生の翻訳の未ペアリング学習手法を提案する。 特定のカメラが捉えた生画像をターゲットカメラに正確にマッピングし、学習可能なISPを新しい目に見えないカメラに一般化する。 提案手法は,従来の最先端技術と比較して精度が高く,実際のカメラデータセットに優れた性能を示す。
  論文  参考訳（メタデータ） (2024-04-16T16:17:48Z)
• BSRAW: Improving Blind RAW Image Super-Resolution [63.408484584265985]
  RAW領域におけるブラインド画像の超解像化に取り組む。 生センサデータを用いたトレーニングモデルに特化した,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トレーニングしたBSRAWモデルは、リアルタイムRAW画像をスケールアップし、品質を向上させることができます。
  論文  参考訳（メタデータ） (2023-12-24T14:17:28Z)
• 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)
• Lossy Compression with Gaussian Diffusion [28.930398810600504]
  非条件拡散生成モデルに基づく新しい損失圧縮手法DiffCについて述べる。 エンコーダ変換の欠如にもかかわらず、概念実証を実装し、驚くほどうまく機能することを発見した。 流れに基づく再構築は,祖先サンプリングよりも高頻度で3dBのゲインを達成できることを示す。
  論文  参考訳（メタデータ） (2022-06-17T16:46:31Z)
• Enhanced Invertible Encoding for Learned Image Compression [40.21904131503064]
  本稿では,改良されたインバーチブルを提案する。 非可逆ニューラルネットワーク(INN)によるネットワークは、情報損失問題を大幅に軽減し、圧縮性を向上する。 Kodak, CLIC, Tecnick のデータセットによる実験結果から,本手法は既存の学習画像圧縮法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-08-08T17:32:10Z)
• Towards Robust Data Hiding Against (JPEG) Compression: A Pseudo-Differentiable Deep Learning Approach [78.05383266222285]
  これらの圧縮に対抗できるデータ隠蔽の目標を達成することは、依然としてオープンな課題である。 ディープラーニングはデータの隠蔽に大きな成功を収めていますが、JPEGの非差別化性は、損失のある圧縮に対する堅牢性を改善するための深いパイプラインのトレーニングを困難にしています。 本稿では,上記の制約をすべて一度に解決するための,単純かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2020-12-30T12:30:09Z)

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。