論文の概要: POS-ISP: Pipeline Optimization at the Sequence Level for Task-aware ISP

• arxiv url: http://arxiv.org/abs/2604.06938v1
• Date: Wed, 08 Apr 2026 11:00:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.483549
• Title: POS-ISP: Pipeline Optimization at the Sequence Level for Task-aware ISP
• Title（参考訳）: POS-ISP:タスク対応ISPのシーケンスレベルでのパイプライン最適化
• Authors: Jiyun Won, Heemin Yang, Woohyeok Kim, Jungseul Ok, Sunghyun Cho,
• Abstract要約: 本稿では,グローバルシーケンス予測問題としてモジュール型ISP最適化を定式化するシーケンスレベルRLフレームワークPOS-ISPを提案する。 本手法は,モジュールシーケンス全体とそのパラメータを1つのフォワードパスで予測し,終端タスク報酬を用いてパイプラインを最適化する。 複数のダウンストリームタスクに対する実験では、POS-ISPは計算コストを削減しながらタスク性能を改善する。
• 参考スコア（独自算出の注目度）: 32.45437409342531
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work has explored optimizing image signal processing (ISP) pipelines for various tasks by composing predefined modules and adapting them to task-specific objectives. However, jointly optimizing module sequences and parameters remains challenging. Existing approaches rely on neural architecture search (NAS) or step-wise reinforcement learning (RL), but NAS suffers from a training-inference mismatch, while step-wise RL leads to unstable training and high computational overhead due to stage-wise decision-making. We propose POS-ISP, a sequence-level RL framework that formulates modular ISP optimization as a global sequence prediction problem. Our method predicts the entire module sequence and its parameters in a single forward pass and optimizes the pipeline using a terminal task reward, eliminating the need for intermediate supervision and redundant executions. Experiments across multiple downstream tasks show that POS-ISP improves task performance while reducing computational cost, highlighting sequence-level optimization as a stable and efficient paradigm for task-aware ISP. The project page is available at https://w1jyun.github.io/POS-ISP
• Abstract（参考訳）: 近年,画像信号処理(ISP)パイプラインの様々なタスクに対する最適化について検討している。 しかし、モジュールシーケンスとパラメータを共同最適化することは依然として困難である。 既存のアプローチは、ニューラルネットワーク探索(NAS)やステップワイド強化学習(RL)に依存しているが、NASはトレーニング推論ミスマッチに悩まされており、ステップワイドRLは、ステージワイド意思決定による不安定なトレーニングと高い計算オーバーヘッドをもたらす。 本稿では,グローバルシーケンス予測問題としてモジュール型ISP最適化を定式化するシーケンスレベルRLフレームワークPOS-ISPを提案する。 提案手法は,モジュールシーケンス全体とそのパラメータを1つのフォワードパスで予測し,終端タスク報酬を用いてパイプラインを最適化することにより,中間管理と冗長実行の必要性を解消する。 複数のダウンストリームタスクに対する実験により、POS-ISPは計算コストを削減しつつタスク性能を改善し、タスク対応ISPの安定的で効率的なパラダイムとしてシーケンスレベルの最適化を強調した。 プロジェクトページはhttps://w1jyun.github.io/POS-ISPで公開されている。

関連論文リスト

• Chimera: Latency- and Performance-Aware Multi-agent Serving for Heterogeneous LLMs [62.17306142810532]
  ヘテロジニアスLSMクラスタ上で動作するマルチエージェントワークフローの予測スケジューリングシステムであるChimeraを提案する。 Chimeは最高のレイテンシをトレースし、エンドツーエンドのレイテンシを1.2-2.4$times$で削減し、タスクパフォーマンスを平均8.0-9.5ポイント改善する。
  論文  参考訳（メタデータ） (2026-03-23T17:01:42Z)
• Cloud-Fog-Edge Collaborative Computing for Sequential MIoT Workflow: A Two-Tier DDPG-Based Scheduling Framework [2.5263430338308557]
  Medical Internet of Things(MIoT)は、異質なクラウドフォッグエッジインフラストラクチャ上にデプロイされたシーケンシャルなヘルスケアに対して、厳しいエンドツーエンドのレイテンシ保証を要求する。 本稿では,スケジューリング決定を階層的なプロセスに分解する2層DDPGベースのスケジューリングフレームワークを提案する。 実験の結果、我々のアプローチを検証し、複雑さが増大するにつれて、ベースラインよりもパフォーマンスが向上することを示した。
  論文  参考訳（メタデータ） (2025-10-24T03:58:31Z)
• Data-Centric Elastic Pipeline Parallelism for Efficient Long-Context LLM Training [40.67232484556671]
  Elastic Pipeline Parallelism (EPP)は、トークンレベルのPPとバッチレベルのPPをオーケストレーションして、リソースとワークロードの不均一性に適応する。 InfiniPipeは最先端システムの1.69倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-09-25T15:01:25Z)
• CS-Net:Contribution-based Sampling Network for Point Cloud Simplification [50.55658910053004]
  ポイントクラウドサンプリングは、様々なビジョンタスクの計算コストとストレージ要求を減らす上で重要な役割を果たす。 最遠点サンプリングのような従来のサンプリング手法では、タスク固有の情報が欠落している。 提案手法では, サンプル処理をTop-k操作として定式化したCS-Netを提案する。
  論文  参考訳（メタデータ） (2025-01-18T14:56:09Z)
• Sparser is Faster and Less is More: Efficient Sparse Attention for Long-Range Transformers [58.5711048151424]
  SPARSEK Attention(SPARSEK Attention)は、計算およびメモリ障害を克服するために設計された、新しいスパースアテンション機構である。 提案手法では,各クエリに対して一定数のKVペアを選択するために,スコアリングネットワークと差別化可能なトップkマスク演算子であるSPARSEKを統合する。 実験結果から,SPARSEK注意は従来のスパースアテンション法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-24T15:55:59Z)
• OptEx: Expediting First-Order Optimization with Approximately Parallelized Iterations [12.696136981847438]
  ほぼ並列化されたイテレーション (OptEx) で高速化された一階最適化を導入する。 OptExは、並列コンピューティングを活用して、その反復的ボトルネックを軽減することで、FOOの効率を高める最初のフレームワークである。 我々は、カーネル化された勾配推定の信頼性とSGDベースのOpsExの複雑さを理論的に保証する。
  論文  参考訳（メタデータ） (2024-02-18T02:19:02Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• TaSPM: Targeted Sequential Pattern Mining [53.234101208024335]
  本稿では,高速CM-SPAMアルゴリズムに基づく汎用フレームワークTaSPMを提案する。 また,マイニングプロセスにおける無意味な操作を減らすために,いくつかのプルーニング戦略を提案する。 実験の結果,新たなターゲットマイニングアルゴリズムであるTaSPMは実行時間を短縮し,メモリ消費を低減できることがわかった。
  論文  参考訳（メタデータ） (2022-02-26T17:49:47Z)
• MOPS-Net: A Matrix Optimization-driven Network forTask-Oriented 3D Point Cloud Downsampling [86.42733428762513]
  MOPS-Netは行列最適化のための新しい解釈可能な深層学習手法である。 我々はMOPS-Netが様々なタスクに対して最先端の深層学習手法に対して好適な性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-05-01T14:01:53Z)

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。