論文の概要: MambaRaw: Selective State Space Modeling for Efficient 4K Raw Image Reconstruction

• arxiv url: http://arxiv.org/abs/2606.24479v1
• Date: Tue, 23 Jun 2026 12:15:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.938551
• Title: MambaRaw: Selective State Space Modeling for Efficient 4K Raw Image Reconstruction
• Title（参考訳）: MambaRaw: 効率的な4KRAW画像再構成のための選択的な状態空間モデリング
• Authors: Peize Li, Fanhu Zeng, Tongda Xu, Xingguo Xu, Xinjie Zhang, Xingtong Ge, Haotian Zhang, Yan Wang,
• Abstract要約: MambaRawはJPEGベースのメタデータベースの生画像再構成フレームワークである。 状態空間モデル(SSM)を使用して、エントロピーパラメータを効率的に推定する。 低メタデータでは、MambaRawはPSNRを1.2-1.4dB増加させ、エンドツーエンドのコーディング遅延を約9%削減する。
• 参考スコア（独自算出の注目度）: 30.211860675955805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In-camera JPEG previews are ubiquitous in raw image formats and provide an sRGB reference at negligible storage cost. Although existing metadata-based reconstruction frameworks can exploit this side information when recovering raw images, their context models often become computationally expensive especially at high resolution, eg, 4K raw image, given that attention mechanisms scale quadratically with feature maps, hindering its practical application. To address these limitations, we propose MambaRaw, a JPEG-conditioned metadata-based raw image reconstruction framework that uses State Space Models (SSMs) to estimate entropy parameters efficiently. Our key contribution comprises a Spatial-Energy Coupled Context Modeling mechanism with two lightweight modules: (1) TileMambaBlock, which performs Mamba-style selective scanning only on information-dense tiles to improve the efficiency; and (2) Energy-Aware Refinement (EAR), an identity-initialized residual module that enhance feature representation to match the long-tail energy distribution of raw signals. Extensive experiments on three camera datasets (Sony, Olympus, Samsung) show consistent improvements over strong metadata-based baselines and set a new state of the art for JPEG-guided raw reconstruction with great efficiency. Notably, at low metadata bitrates, MambaRaw increases PSNR by 1.2--1.4 dB and reduces end-to-end coding latency by about 9%. Code is released at https://github.com/Peizeli1/MambaRaw.
• Abstract（参考訳）: カメラ内のJPEGプレビューは、生画像フォーマットでユビキタスであり、無視可能なストレージコストでsRGB参照を提供する。 既存のメタデータベースの再構築フレームワークは、生画像の復元時にこの側面情報を利用することができるが、特に高解像度の4K生画像では、注意機構が特徴マップと2次にスケールするので、コンテキストモデルは計算的に高価になることが多い。 これらの制約に対処するため、JPEGで条件付きメタデータベースの生画像再構成フレームワークであるMambaRawを提案し、ステートスペースモデル(SSM)を用いてエントロピーパラメータを効率的に推定する。 本研究の主な貢献は,(1) 空間エネルギー結合型コンテキストモデリング機構と,(1) 情報密度タイル上でのみマンバ式選択的走査を行うTileMambaBlock,(2) 原信号の長テールエネルギー分布に適合するように特徴表現を高めるアイデンティティ初期化残余モジュールEnergy-Aware Refinement (EAR) である。 3つのカメラデータセット(Sony、Olympus、Samsung)の大規模な実験では、強力なメタデータベースのベースラインよりも一貫した改善が見られ、JPEGで誘導された生の再構築を極めて効率的にするための新たな最先端技術が設定されている。 特に低メタデータビットレートでは、MambaRawはPSNRを1.2-1.4dB増加させ、エンドツーエンドのコーディング遅延を約9%削減する。 コードはhttps://github.com/Peizeli1/MambaRawで公開されている。

関連論文リスト

• Content-Aware Mamba for Learned Image Compression [33.05776457003562]
  本稿では,その処理を画像コンテンツに動的に適応させるSSMであるContentAware Mamba(CAM)を紹介する。 まず、厳密なスキャンをコンテンツ適応型トークン置換戦略に置き換える。 第二に、状態空間モデルにサンプル固有のグローバルプリエントを注入することで、シーケンシャルな依存関係を克服する。
  論文  参考訳（メタデータ） (2025-08-04T08:42:23Z)
• MambaIRv2: Attentive State Space Restoration [96.4452232356586]
  マンバをベースとした画像復元バックボーンは、最近、グローバルレセプションと計算効率のバランスをとる大きな可能性を証明している。 本稿では,空間復元モデルに到達するために,MambaとViTsに似た非因果モデリング能力を備えたMambaIRv2を提案する。
  論文  参考訳（メタデータ） (2024-11-22T12:45:12Z)
• RAWMamba: Unified sRGB-to-RAW De-rendering With State Space Model [52.250939617273744]
  本稿では, sRGB-to-RAWデレンダリングのための統一フレームワークであるRAWMambaを提案する。 RAWMambaのコアはUnified Metadata Embedding (UME)モジュールである。 Local Tone-Aware Mambaモジュールは、メタデータの効果的なグローバルな伝搬を可能にするために、長距離依存関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-11-18T16:45:44Z)
• MambaVC: Learned Visual Compression with Selective State Spaces [74.29217829932895]
  本稿では,SSMに基づくシンプルで強力で効率的な圧縮ネットワークであるMambaVCを紹介する。 MambaVC は2次元選択的走査 (2DSS) モジュールを備えた視覚状態空間 (VSS) ブロックを各ダウンサンプリング後の非線形活性化関数として開発する。 圧縮ベンチマークデータセットでは、MambaVCはより低い計算とメモリオーバーヘッドでより優れたレート歪み性能を達成する。
  論文  参考訳（メタデータ） (2024-05-24T10:24:30Z)
• Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
  生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。 ストレージの要求が大きいため、一般ユーザからは広く採用されていない。 本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-21T06:59:07Z)
• Raw Image Reconstruction with Learned Compact Metadata [61.62454853089346]
  本稿では,メタデータとしての潜在空間におけるコンパクトな表現をエンドツーエンドで学習するための新しいフレームワークを提案する。 提案する生画像圧縮方式は,グローバルな視点から重要な画像領域に適応的により多くのビットを割り当てることができることを示す。
  論文  参考訳（メタデータ） (2023-02-25T05:29:45Z)

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。