論文の概要: Real Image Denoising with Knowledge Distillation for High-Performance Mobile NPUs

• arxiv url: http://arxiv.org/abs/2605.03680v1
• Date: Tue, 05 May 2026 12:19:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.927228
• Title: Real Image Denoising with Knowledge Distillation for High-Performance Mobile NPUs
• Title（参考訳）: 高性能モバイルNPUのための知識蒸留による実画像認識
• Authors: Faraz Kayani, Sarmad Kayani, Asad Ahmed, Radu Timofte, Dmitry Ignatov,
• Abstract要約: そこで我々は,モバイルNPUを用いた実世界の画像認識のための,NPU対応ハードウェアアルゴリズムの協調設計手法を提案する。 本手法では,高能力の教師を用いて,軽量な学生ネットワークを監督する。
• 参考スコア（独自算出の注目度）: 41.66955282583396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While deep-learning-based image restoration has achieved unprecedented fidelity, deployment on mobile Neural Processing Units (NPUs) remains bottlenecked by operator incompatibility and memory-access overhead. We propose an NPU-aware hardware-algorithm co-design approach for real-world image denoising on mobile NPUs. Our approach employs a high-capacity teacher to supervise a lightweight student network specifically designed to leverage the tiled-memory architectures of modern mobile SoCs. By prioritizing NPU-native primitives -- standard 3x3 convolutions, ReLU activations, and nearest-neighbor upsampling -- and employing a progressive context expansion strategy (up to 1024x1024 crops), the model achieves 37.66 dB PSNR / 0.9278 SSIM on the validation benchmark and 37.58 dB PSNR / 0.9098 SSIM on the held-out test benchmark at full resolution (2432x3200) in the Mobile AI 2026 challenge. Following the official challenge rules, the inference runtime is measured under a standardized Full HD (1088x1920) protocol, where it runs in 34.0 ms on the MediaTek Dimensity 9500 and 46.1 ms on the Qualcomm Snapdragon 8 Elite NPU. We further reveal an "Inference Inversion" effect, where strict adherence to NPU-compatible operations enables dedicated NPU execution up to 3.88x faster than the integrated mobile GPU. The 1.96M-parameter student recovers 99.8% of the teacher's restoration quality via high-alpha knowledge distillation (alpha = 0.9), achieving a 21.2x parameter reduction while closing the PSNR gap from 1.63 dB to only 0.05 dB. These results establish hardware-aware distillation as an effective strategy for unifying high-fidelity denoising with practical deployment across diverse mobile NPU architectures. The proposed lightweight student model (LiteDenoiseNet) and its training statistics are provided in the NN Dataset, available at https://github.com/ABrain-One/NN-Dataset.
• Abstract（参考訳）: ディープラーニングベースのイメージ復元は前例のない忠実性を達成したが、モバイルニューラル処理ユニット(NPU)へのデプロイは、オペレータの非互換性とメモリアクセスオーバーヘッドによってボトルネックを被っている。 そこで我々は,モバイルNPUを用いた実世界の画像認識のための,NPU対応ハードウェアアルゴリズムの協調設計手法を提案する。 提案手法では,現代のモバイルSoCの階層型メモリアーキテクチャを活用するために設計された,軽量な学生ネットワークを監督するために,高容量の教師を用いる。 NPUネイティブプリミティブ -- 標準的な3x3畳み込み、ReLUアクティベーション、最寄りのアップサンプリング -- を優先順位付けし、プログレッシブなコンテキスト拡張戦略(最大1024x1024の作物)を採用することで、検証ベンチマークで37.66dB PSNR / 0.9278 SSIM、Mobile AI 2026チャレンジでフル解像度(2432x3200)でホールドアウトテストベンチマークで37.58dB PSNR / 0.9098 SSIMを達成した。 公式なチャレンジルールに従って、推論ランタイムは標準のFull HD (1088x1920)プロトコルで測定され、MediaTek Dimensity 9500で34.0ms、Qualcomm Snapdragon 8 Elite NPUで46.1msで動作する。 さらに、NPU互換操作への厳密な固執により、モバイルGPUの最大3.88倍高速な専用NPU実行が可能になる「推論インバージョン」効果を明らかにした。 1.96Mパラメーターの学生は、高アルファの知識蒸留(alpha = 0.9)によって教師の回復品質の99.8%を回復し、PSNRギャップを1.63dBから0.05dBに閉じながら21.2倍のパラメータ還元を達成する。 これらの結果は,多種多様なモバイルNPUアーキテクチャにまたがる実用的展開と高忠実度デノナイズを統合化するための有効な戦略として,ハードウェア対応蒸留を確立した。 提案されている軽量学生モデル(LiteDenoiseNet)とそのトレーニング統計はNN Datasetで提供されており、https://github.com/ABrain-One/NN-Datasetで公開されている。

関連論文リスト

• Serving Large Language Models on Huawei CloudMatrix384 [28.88558053380112]
  従来のAIクラスタは、計算強度、メモリ帯域幅、チップ間通信、レイテンシの制限に直面している。 本稿では,Huawei CloudMatrixを紹介する。Huawei CloudMatrixは,プロダクショングレードのCloudMatrix384スーパーノードで実現された次世代AIアーキテクチャである。 384 Ascend 910 NPUと192 Kunpeng CPUを超広帯域統一バス(UB)ネットワークを介して相互接続し、直接通信とリソースの動的プールを可能にする。
  論文  参考訳（メタデータ） (2025-06-15T03:41:34Z)
• Pangu Ultra MoE: How to Train Your Big MoE on Ascend NPUs [111.69640966866059]
  ミキチャー・オブ・エキスパート(MoE)と1兆近いパラメータを持つ疎大言語モデル(LLM)が、最も有能な言語モデルの領域を支配している。 本稿では,Ascend NPU上でそのようなスケールを利用するレシピを明らかにすることを目的としている。 主な目的は、動的スパースモデル構造下でのコンピューティングリソースのより良い使用と、実際のハードウェアで期待されるパフォーマンス向上の実現である。
  論文  参考訳（メタデータ） (2025-05-07T15:46:36Z)
• Deep residual learning with product units [0.0]
  深部製品単位残基ニューラルネットワーク(PURe) 従来の畳み込み層を各残ブロックの第2層に2次元積単位で置き換える。 PUReを3つのベンチマークデータセットで検証する。
  論文  参考訳（メタデータ） (2025-05-07T13:21:25Z)
• DnLUT: Ultra-Efficient Color Image Denoising via Channel-Aware Lookup Tables [60.95483707212802]
  DnLUTは、リソース消費を最小限に抑えながら高品質なカラーイメージを実現する、超効率的なルックアップテーブルベースのフレームワークである。 Pairwise Channel Mixer(PCM)は、チャネル間の相関関係と空間的依存関係を並列に効果的にキャプチャし、L字型畳み込み設計により受容界のカバレッジを最大化する。 これらのコンポーネントをトレーニング後に最適化されたルックアップテーブルに変換することで、DnLUTは、CNNの競合であるDnCNNと比較して500KBのストレージと0.1%のエネルギー消費しか必要とせず、20倍高速な推論を実現している。
  論文  参考訳（メタデータ） (2025-03-20T08:15:29Z)
• PLEIADES: Building Temporal Kernels with Orthogonal Polynomials [6.2921559513184695]
  本稿では,基本関数から発生する時間的カーネルを含むPLEIA(Lynomial Expansion In Adaptive Distributed Event Systems)というニューラルネットワークのクラスを紹介する。 低レイテンシでオンライン分類と検出を行うために、これらのネットワークをイベントベースのデータで相互接続することに重点を置いている。
  論文  参考訳（メタデータ） (2024-05-20T17:06:24Z)
• Achieving on-Mobile Real-Time Super-Resolution with Neural Architecture and Pruning Search [64.80878113422824]
  リアルタイムの推論要求を満たすとともに、画像品質の高いスパース超解像モデル(SR)を導出する自動探索フレームワークを提案する。 提案したフレームワークでは、競合画像の品質を持つ720pの解像度を実現するために、リアルタイムSR推論(フレームあたり数ミリ秒)を初めて実現している。
  論文  参考訳（メタデータ） (2021-08-18T06:47:31Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• RT3D: Achieving Real-Time Execution of 3D Convolutional Neural Networks on Mobile Devices [57.877112704841366]
  本稿では3次元CNNのためのモデル圧縮およびモバイルアクセラレーションフレームワークRT3Dを提案する。 3D CNNのリアルタイム実行は、市販のモバイル上で初めて実現された。
  論文  参考訳（メタデータ） (2020-07-20T02:05:32Z)

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。