論文の概要: An Extensible and Lightweight Unified Architecture for Demosaicing Pixel-bin Image Sensors
- arxiv url: http://arxiv.org/abs/2606.13136v1
- Date: Thu, 11 Jun 2026 09:59:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.716743
- Title: An Extensible and Lightweight Unified Architecture for Demosaicing Pixel-bin Image Sensors
- Title（参考訳）: Pixel-binイメージセンサの実証のための拡張性と軽量統一アーキテクチャ
- Authors: Saurabh Kumar, Nutan Sairam Yenneti,
- Abstract要約: Pixel-binイメージセンサーは、解像度と光収集のトレードオフにより、スマートフォンカメラのデフォルトの選択肢になりつつある。
バイエル色フィルタアレイ(CFA)と比較して色間分離が大きいため、分解は困難である。
既存のディープラーニングベースの復号法はCFAに特化しており、貴重なリソースを取り込み、より大きな開発と保守の努力を要求する複数の個別モデルが必要である。
そこで本研究では,軽量で高画質の画素ビンセンサを実現するモジュール型統一アーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 1.627157205006925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pixel-bin image sensors are becoming the default choice for smartphone cameras due to their resolution vs light-gathering trade-off. However, their larger inter-color separation compared to the Bayer color filter array (CFA) makes them challenging to demosaic. Furthermore, existing deep learning-based demosaicing methods are CFA-specific, requiring multiple individual models that take up precious onboard resources and demand larger development and maintenance efforts. In this work, we propose a modular unified architecture for demosaicing various pixel-bin sensors that provides higher image quality while being extensible and lightweight. Additionally, to enable plug-and-play operation, we introduce a learning-free CFA-identification module to detect the CFA type of raw data accurately.
- Abstract（参考訳）: Pixel-binイメージセンサーは、解像度と光収集のトレードオフにより、スマートフォンカメラのデフォルトの選択肢になりつつある。
しかし、バイエル色フィルタアレイ(CFA)と比較して色間分離が大きいため、分解は困難である。
さらに、既存のディープラーニングベースの復号法はCFA特有のものであり、貴重なリソースを取り込み、より大きな開発と保守の努力を必要とする複数の個別モデルを必要とする。
本研究では,様々な画素・ビン・センサを分解し,拡張性と軽量さを両立させるモジュール型統一アーキテクチャを提案する。
さらに、プラグアンドプレイ操作を可能にするために、学習不要なCFA識別モジュールを導入し、CFAタイプの生データを正確に検出する。
関連論文リスト
- Leveraging Multispectral Sensors for Color Correction in Mobile Cameras [22.93423876118074]
スナップショットマルチスペクトル(MS)イメージングの最近の進歩は、小型で低コストな分光センサを消費者やモバイルデバイス向けに実現している。
エンド・ツー・エンドの色補正を行う統合学習ベースのフレームワークを提案する。
提案手法は,RGBのみのベースラインやMS駆動ベースラインと比較して,誤差を最大50%低減する。
論文 参考訳（メタデータ） (2025-12-09T10:14:13Z) - 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) - Adaptive Domain Learning for Cross-domain Image Denoising [57.4030317607274]
本稿では,クロスドメイン画像認識のための適応型ドメイン学習手法を提案する。
私たちは、異なるセンサー(ソースドメイン)からの既存のデータに加えて、新しいセンサー(ターゲットドメイン)からの少量のデータを使用します。
ADLトレーニングスキームは、ターゲットドメインのモデルを微調整するのに有害なソースドメイン内のデータを自動的に削除する。
また,センサ固有の情報(センサタイプとISO)を取り入れ,画像認識のための入力データを理解するための変調モジュールも導入した。
論文 参考訳（メタデータ） (2024-11-03T08:08:26Z) - Efficient Unified Demosaicing for Bayer and Non-Bayer Patterned Image
Sensors [15.97521126493155]
モバイルカメラは、隣接ピクセルの均一なカラーユニットからなるユニークな非バイヤーカラーフィルタアレイ(CFA)パターンを採用している。
これらの非バイヤーセンサーは、光条件の異なるピクセルビンサイズが変更可能なため、従来のバイエルCFAよりも優れている。
これまではBayer CFAに重点を置いていた。
本稿では,従来のベイアRAWと各種非ベイアCFAのRAWデータの両方に異なる動作モードで適用可能な,効率的な統一復号化手法を提案する。
論文 参考訳（メタデータ） (2023-07-20T07:47:48Z) - Searching a Compact Architecture for Robust Multi-Exposure Image Fusion [55.37210629454589]
2つの大きなスタブリングブロックは、画素の不一致や非効率な推論など、開発を妨げる。
本研究では,高機能なマルチ露光画像融合のための自己アライメントとディテールリプレクションモジュールを取り入れたアーキテクチャ検索に基づくパラダイムを提案する。
提案手法は様々な競争方式より優れており、一般的なシナリオではPSNRが3.19%向上し、不整合シナリオでは23.5%向上した。
論文 参考訳（メタデータ） (2023-05-20T17:01:52Z) - Deep Demosaicing for Polarimetric Filter Array Cameras [7.39819574829298]
そこで本研究では,カメラ画像を直接画素ごとのStokesベクトルに復調するCNNモデルを提案する。
実世界の学習データを効果的に取得するための,コンシューマLCD画面を用いた新しい手法を提案する。
論文 参考訳（メタデータ） (2022-11-24T17:41:50Z) - Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image
Super-Resolution with Subpixel Fusion [67.35540259040806]
サブピクセルレベルのHS超解像フレームワークを提案する。
名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。
我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
論文 参考訳（メタデータ） (2022-05-07T23:40:36Z) - Pixel Distillation: A New Knowledge Distillation Scheme for Low-Resolution Image Recognition [124.80263629921498]
アーキテクチャ制約を同時に破りながら知識蒸留を入力レベルまで拡張するPixel Distillationを提案する。
このようなスキームは、ネットワークアーキテクチャと画像品質の両方をリソースの全体的な要求に応じて調整できるため、展開のための柔軟なコスト制御を実現することができる。
論文 参考訳（メタデータ） (2021-12-17T14:31:40Z) - Beyond Joint Demosaicking and Denoising: An Image Processing Pipeline
for a Pixel-bin Image Sensor [0.883717274344425]
Pixel binningは、スマートフォンカメラのハードウェア制限に対処する最も顕著なソリューションの1つだと考えられている。
本稿では,新しい学習手法を導入することで,このような画像センサ上でのJDD(Joint Desaicing and Denoising)の課題に対処する。
提案手法は,視覚可能な画像を生成するための2つの新しい知覚損失を含む多項目的関数によって導かれる。
論文 参考訳（メタデータ） (2021-04-19T15:41:28Z) - Replacing Mobile Camera ISP with a Single Deep Learning Model [171.49776472948957]
PyNETは、きめ細かい画像復元のために設計された新しいピラミッド型CNNアーキテクチャである。
このモデルは、モバイルカメラセンサーから直接得たRAW Bayerデータを、プロのハイエンドDSLRカメラで撮影した写真に変換するように訓練されている。
論文 参考訳（メタデータ） (2020-02-13T14:22:39Z)
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。