論文の概要: DRIFT: Deep Restoration, ISP Fusion, and Tone-mapping
- arxiv url: http://arxiv.org/abs/2604.03402v1
- Date: Fri, 03 Apr 2026 19:04:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.557695
- Title: DRIFT: Deep Restoration, ISP Fusion, and Tone-mapping
- Title（参考訳）: DRIFT:Deep Restoration, ISP Fusion, Tone-mapping
- Authors: Soumendu Majee, Joshua Peter Ebenezer, Abhinau K. Venkataramanan, Weidi Liu, Thilo Balke, Zeeshan Nadir, Sreenithy Chandran, Seok-Jun Lee, Hamid Rahim Sheikh,
- Abstract要約: DRIFT (Deep Restoration, ISP Fusion, および Tone-mapping) は、効率的なAIモバイルカメラパイプラインである。
ハンドヘルド生画像から高品質なRGB画像を生成する。
- 参考スコア（独自算出の注目度）: 8.13037513173521
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Smartphone cameras have gained immense popularity with the adoption of high-resolution and high-dynamic range imaging. As a result, high-performance camera Image Signal Processors (ISPs) are crucial in generating high-quality images for the end user while keeping computational costs low. In this paper, we propose DRIFT (Deep Restoration, ISP Fusion, and Tone-mapping): an efficient AI mobile camera pipeline that generates high quality RGB images from hand-held raw captures. The first stage of DRIFT is a Multi-Frame Processing (MFP) network that is trained using a adversarial perceptual loss to perform multi-frame alignment, denoising, demosaicing, and super-resolution. Then, the output of DRIFT-MFP is processed by a novel deep-learning based tone-mapping (DRIFT-TM) solution that allows for tone tunability, ensures tone-consistency with a reference pipeline, and can be run efficiently for high-resolution images on a mobile device. We show qualitative and quantitative comparisons against state-of-the-art MFP and tone-mapping methods to demonstrate the effectiveness of our approach.
- Abstract（参考訳）: スマートフォンカメラは高解像度・高ダイナミックレンジイメージングの採用によって大きな人気を集めている。
その結果、高性能カメラ画像信号処理装置(ISP)は、計算コストを低く抑えつつ、エンドユーザーのために高品質な画像を生成するのに不可欠である。
本稿では,DRIFT (Deep Restoration, ISP Fusion, Tone-mapping):手持ちの生画像から高品質なRGB画像を生成する,効率的なAIモバイルカメラパイプラインを提案する。
DRIFTの最初の段階はMFP(Multi-Frame Processing)ネットワークである。
そして、DRIFT-MFPの出力を、トーン調整が可能で、基準パイプラインとのトーン整合性を確保し、モバイルデバイス上で高解像度の画像に対して効率的に実行できる、新しいディープラーニングベースのトーンマッピング(DRIFT-TM)ソリューションで処理する。
提案手法の有効性を示すため,最先端のMFP法とトーンマッピング法とを質的,定量的に比較した。
関連論文リスト
- SuperF: Neural Implicit Fields for Multi-Image Super-Resolution [15.679463301639329]
SuperFはマルチイメージ・スーパーレゾリューション(MISR)のためのテスト時間最適化手法である
我々の実験は、ハンドヘルドカメラによる衛星画像と地上レベルの画像の模擬バーストについて、説得力のある結果をもたらす。
論文 参考訳（メタデータ） (2025-12-09T20:57:25Z) - Learned Lightweight Smartphone ISP with Unpaired Data [55.2480439325792]
学習可能な画像信号処理装置(ISP)のための新しいトレーニング手法を提案する。
我々の未経験アプローチは、敵の訓練によって導かれる多段階の損失関数を用いる。
ペア学習法と比較すると,我々の未経験学習戦略は強い可能性を示し,高い忠実性を実現する。
論文 参考訳（メタデータ） (2025-05-15T15:37:51Z) - 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) - Balancing Efficiency and Quality: MoEISR for Arbitrary-Scale Image Super-Resolution [11.256166497045792]
我々は、新しい効率的なフレームワーク、Mixture-of-Experts Implicit Super-Resolution(MoEISR)を紹介する。
MoEISRは、軽量マッパーモジュールを使用して、最も適切なデコードの専門家を各ピクセルに動的に割り当てる。
実験により,MoEISRはピーク信号対雑音比 (PSNR) と同等あるいは優れたピーク信号対雑音比 (PSNR) を提供しながら,大量の浮動小数点演算 (FLOPs) を効果的に低減できることを示した。
論文 参考訳（メタデータ） (2023-11-20T05:34:36Z) - RBSR: Efficient and Flexible Recurrent Network for Burst
Super-Resolution [57.98314517861539]
バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。
本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
論文 参考訳（メタデータ） (2023-06-30T12:14:13Z) - RBSRICNN: Raw Burst Super-Resolution through Iterative Convolutional
Neural Network [23.451063587138393]
RBSRICNN(Row Burst Super-Resolution Iterative Convolutional Neural Network)を提案する。
提案したネットワークは、中間SR推定を反復的に洗練することにより最終的な出力を生成する。
定量的および定性的な実験において提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2021-10-25T19:01:28Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳（メタデータ） (2021-04-05T13:05:22Z) - Deep Burst Super-Resolution [165.90445859851448]
バースト超解像タスクのための新しいアーキテクチャを提案する。
我々のネットワークは複数のノイズRAW画像を入力として取り出し、出力として分解された超解像RGB画像を生成する。
実世界のデータのトレーニングと評価を可能にするため,BurstSRデータセットも導入する。
論文 参考訳（メタデータ） (2021-01-26T18:57:21Z) - Boosting Image Super-Resolution Via Fusion of Complementary Information
Captured by Multi-Modal Sensors [21.264746234523678]
イメージスーパーレゾリューション(sr)は、低解像度光センサの画質を向上させる有望な技術である。
本稿では,安価なチャネル(可視・深度)からの補完情報を活用して,少ないパラメータを用いて高価なチャネル(熱)の画像品質を向上させる。
論文 参考訳（メタデータ） (2020-12-07T02:15:28Z)
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。