論文の概要: Noise2Params: Unification and Parameter Determination from Noise via a Probabilistic Event Camera Model
- arxiv url: http://arxiv.org/abs/2605.16317v1
- Date: Mon, 04 May 2026 21:34:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-25 12:34:33.882137
- Title: Noise2Params: Unification and Parameter Determination from Noise via a Probabilistic Event Camera Model
- Title（参考訳）: ノイズ2パネル:確率的イベントカメラモデルによる騒音の統一とパラメータ決定
- Authors: Owen Root, Julinda Mujo, Min Xu,
- Abstract要約: 我々は,光子統計に基づくECイベント検出の基礎的確率モデルを構築した。
本研究では,ログコントラスト閾値$B$のカメラ固有の値を決定する手法であるNoss2Paramsを提案する。
我々のフレームワークは、ECキャリブレーション、ノイズ対応アルゴリズム設計、および光子制限方式における応用のための定量的基盤を提供する。
- 参考スコア（独自算出の注目度）: 6.056768377887928
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate, unified models for event cameras (ECs) remain elusive, hampering calibration and algorithm design. We develop a foundational probabilistic model for EC event detection, grounded in photon statistics, that unifies the description of static scene noise events and step response curves (S-curves) within a single analytical framework. Three formulations of the probability distributions are derived, spanning all intensity regimes: exact Poisson, saddle-point, and Gaussian. The model reveals the underlying connection between these otherwise disparate EC behaviors and clarifies the interpretation of S-curves, which we show is more nuanced than selecting a fixed probability threshold. Based on this model, we propose Noise2Params, a method for determining camera-specific values of the log-contrast threshold $B$, the lux-to-photon conversion factor $α$, and the leakage term $θ$ (found to be intensity dependent), via error minimization against observed noise-event distributions. Noise2Params requires only recordings of static, uniform scenes, offering an experimentally accessible alternative to approaches that demand specialized dynamic light sources. We further support the validity the model by training convolutional neural networks (CNNs) on synthetic noise images generated from our distributions and evaluating their ability to reconstruct static scenes from experimental data. We further demonstrate the utility of our model by showing that CNNs incorporating synthetic data outperform those trained solely on experimental data. Our framework provides a quantitative foundation for EC calibration, noise-aware algorithm design, and applications in photon-limited regimes.
- Abstract（参考訳）: イベントカメラ(EC)の正確な統一モデルは、キャリブレーションとアルゴリズム設計を妨げている。
光子統計に基づくECイベント検出のための基本確率モデルを構築し、静的なシーンノイズイベントとステップ応答曲線(S曲線)の記述を単一の分析フレームワーク内で統一する。
確率分布の3つの定式化が導出され、ポアソン、サドル点、ガウス点の全ての強度状態にまたがる。
このモデルでは、これらの異なるECの挙動の根底にある関係を明らかにし、S曲線の解釈を明確にし、固定された確率閾値を選択するよりもニュアンスが高いことを示す。
このモデルに基づいて, 対数コントラスト閾値$B$, lux-to- Photon変換係数$α$, リーク項$θ$(強度に依存していると思われる)のカメラ固有の値を決定する手法であるNoss2Paramsを提案する。
ノイズ2パラムは静止した均一なシーンの録音のみを必要とし、特殊なダイナミック光源を必要とするアプローチに代わる実験的な代替手段を提供する。
我々は、我々の分布から生成された合成ノイズ画像に基づいて畳み込みニューラルネットワーク(CNN)を訓練し、実験データから静的シーンを再構築する能力を評価することにより、モデルの有効性をさらに支援する。
さらに,合成データを組み込んだCNNが,実験データのみを訓練した者よりも優れていることを示すことにより,本モデルの有用性を実証する。
我々のフレームワークは、ECキャリブレーション、ノイズ対応アルゴリズム設計、および光子制限方式における応用のための定量的基盤を提供する。
関連論文リスト
- Correntropy-Based Improper Likelihood Model for Robust Electrophysiological Source Imaging [18.298620404141047]
既存のソースイメージングアルゴリズムは、観測ノイズに対するガウスの仮定を利用して、ベイズ推定の確率関数を構築する。
脳活動の電磁的測定は、通常、様々な人工物に影響され、観測ノイズの非ガウス分布につながる可能性がある。
非ガウス雑音に対して頑健な新しい確率モデルを提案する。
論文 参考訳（メタデータ） (2024-08-27T07:54:15Z) - RANRAC: Robust Neural Scene Representations via Random Ray Consensus [12.161889666145127]
RANRAC(RANdom RAy Consensus)は、一貫性のないデータの影響を排除するための効率的な手法である。
我々はRANSACパラダイムのファジィ適応を定式化し、大規模モデルへの適用を可能にした。
その結果, 新規な視点合成のための最先端のロバストな手法と比較して, 顕著な改善が見られた。
論文 参考訳（メタデータ） (2023-12-15T13:33:09Z) - Towards General Low-Light Raw Noise Synthesis and Modeling [37.87312467017369]
生成モデルにより信号非依存ノイズを合成する新しい視点を導入する。
具体的には、信号に依存しないノイズと信号に依存しないノイズを物理と学習に基づく方法で合成する。
このようにして、本手法は一般的なモデルとみなすことができ、つまり、異なるISOレベルの異なるノイズ特性を同時に学習することができる。
論文 参考訳（メタデータ） (2023-07-31T09:10:10Z) - ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。
提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。
提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
論文 参考訳（メタデータ） (2023-07-15T04:48:35Z) - Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。
本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
論文 参考訳（メタデータ） (2023-05-23T12:56:01Z) - Target Aware Poisson-Gaussian Noise Parameters Estimation from Noisy
Images [0.0]
センサが捉えた生画像に対して,Poisson-Gaussianノイズモデルを用いる。
分散および累積統計量に基づく2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-10-21T17:53:56Z) - Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。
それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
論文 参考訳（メタデータ） (2021-10-10T10:45:24Z) - Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。
実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。
我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
論文 参考訳（メタデータ） (2021-08-04T16:36:29Z) - Score-Based Generative Modeling through Stochastic Differential
Equations [114.39209003111723]
複素データ分布を雑音を注入することによって既知の事前分布に変換する微分方程式を提案する。
対応する逆時間SDEは、ノイズを緩やかに除去し、先行分布をデータ分布に戻す。
スコアベース生成モデリングの進歩を活用することで、これらのスコアをニューラルネットワークで正確に推定することができる。
スコアベース生成モデルから1024×1024画像の高忠実度生成を初めて示す。
論文 参考訳（メタデータ） (2020-11-26T19:39:10Z) - Statistical Analysis of Signal-Dependent Noise: Application in Blind
Localization of Image Splicing Forgery [20.533239616846874]
本研究では,信号依存ノイズ(SDN)を局所化タスクのスプライシングに適用する。
最大後方マルコフランダムフィールド(MAP-MRF)フレームワークを構築することで、ノイズの可能性を生かし、スプリケートされた物体の異領域を明らかにする。
実験結果から,本手法は有効であり,比較ローカライゼーション性能が得られた。
論文 参考訳（メタデータ） (2020-10-30T11:53:53Z)
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。