論文の概要: Hybrid-LUT: Channel-Aware Hybrid Lookup Table and Filtering for Efficient Image Denoising

• arxiv url: http://arxiv.org/abs/2608.11646v1
• Date: Wed, 12 Aug 2026 04:45:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.451226
• Title: Hybrid-LUT: Channel-Aware Hybrid Lookup Table and Filtering for Efficient Image Denoising
• Title（参考訳）: ハイブリッドLUT: チャネル対応ハイブリッドルックアップテーブルと高能率画像復調のためのフィルタ
• Abstract要約: RGB-LUTアプローチは、RGBチャネルを並列に処理するために3つの同一のLUTを必要とする。 単純な方法は、メモリ使用量を減らすために、YUV色空間の輝度(Y)チャネルのみにLUT処理を適用することである。 本稿では,LUTとフィルタを組み合わせたYUVベースの非対称チャネル処理フレームワークであるHybrid-LUTを提案する。
• 参考スコア（独自算出の注目度）: 19.39061487934058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lookup table (LUT)-based image denoising methods have attracted increasing attention due to their high efficiency and hardware-friendly properties. However, existing RGB-LUT approaches require three identical LUTs to process RGB channels in parallel, resulting in large on-chip SRAM consumption. A simple alternative is to apply LUT processing only to the luminance (Y) channel in the YUV color space to reduce memory usage. However, this naive strategy leads to degraded restoration quality, since ignoring the chrominance (UV) channels introduces color distortion and residual artifacts. In this work, we propose Hybrid-LUT, a YUV-based asymmetric channel-processing framework that combines LUT and filtering in a unified design. Specifically, a multi-band LUT branch with pixel-level weight fusion is applied to the Y channel to recover fine textures, while lightweight filtering is used for the UV channels to maintain color consistency. This design reduces LUT storage by two-thirds compared with RGB-LUT methods while maintaining the same runtime throughput. Extensive experiments show that Hybrid-LUT achieves state-of-the-art (SOTA) performance across multiple benchmarks with only 421 KB of storage. In particular, our method surpasses existing LUT-based denoising approaches by at least 0.63 dB CPSNR on real-world datasets, demonstrating its effectiveness for image denoising on resource-constrained edge devices. The project is available at https://github.com/Ai-ZL/Hybrid-LUT .
• Abstract（参考訳）: ルックアップテーブル(LUT)をベースとした画像復調手法は,高効率でハードウェアフレンドリーな特性のために注目されている。 しかし、既存のRGB-LUTアプローチでは、RGBチャネルを並列に処理するために3つの同一のLUTが必要であるため、オンチップのSRAM消費が大きくなった。 単純な方法は、メモリ使用量を減らすために、YUV色空間の輝度(Y)チャネルのみにLUT処理を適用することである。 しかし、UVチャネルを無視すると色歪みや残留アーティファクトが生じるため、このナイーブ戦略は回復の質を低下させる。 本研究では,LUTとフィルタを組み合わせたYUVベースの非対称チャネル処理フレームワークであるHybrid-LUTを提案する。 具体的には、Yチャネルに画素レベルの重み付けを施したマルチバンドLUTブランチを適用して微細なテクスチャを復元し、UVチャネルに軽量なフィルタリングを用いて色調を維持する。 この設計は、同じランタイムスループットを維持しながら、RGB-LUT法と比較して、LUTストレージを2/3削減する。 大規模な実験により、Hybrid-LUTは421KBのストレージを持つ複数のベンチマークでSOTA(State-of-the-art)性能を達成することが示された。 特に,本手法は実世界のデータセットにおいて,少なくとも 0.63 dB CPSNR による既存の LUT ベースのデノナイジングアプローチを超越し,リソース制約エッジデバイス上でのデノナイジングの有効性を実証する。 プロジェクトはhttps://github.com/Ai-ZL/Hybrid-LUT で公開されている。

関連論文リスト

• ShiftLUT: Spatial Shift Enhanced Look-Up Tables for Efficient Image Restoration [8.845117852325997]
  ShiftLUTは、LUTベースのすべてのメソッドの中で、高い効率を維持しながら、最大の受容領域を実現する新しいフレームワークである。 従来の最先端のTinyLUTと比較して、ShiftLUTは3.8$times$大きな受容場を実現し、平均PSNRを0.21dB以上改善している。
  論文  参考訳（メタデータ） (2026-03-01T04:00:23Z)
• High-resolution Photo Enhancement in Real-time: A Laplacian Pyramid Network [73.19214585791268]
  本稿では,LLF-LUT++と呼ばれるピラミッドネットワークについて紹介する。 具体的には,ダウンサンプリング画像のグローバル音節特性を活かした画像適応型3D LUTを利用する。 LLF-LUT++は、HDR+データセット上でPSNRが2.64dB改善されただけでなく、4K解像度の画像を1つのGPUでわずか13msで処理することで、さらに削減されている。
  論文  参考訳（メタデータ） (2025-10-13T16:52:32Z)
• 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)
• Discovering an Image-Adaptive Coordinate System for Photography Processing [51.164345878060956]
  曲線演算を行う前にRGB色空間における画像適応座標系を学習するための新しいアルゴリズム IAC を提案する。 このエンドツーエンドのトレーニング可能なアプローチにより、共同で学習した画像適応座標系と曲線を用いて、画像の効率よく調整できる。
  論文  参考訳（メタデータ） (2025-01-11T06:20:07Z)
• WB LUTs: Contrastive Learning for White Balancing Lookup Tables [2.340368527699536]
  不正確なホワイトバランス(WB)設定やAWB故障は、レンダリングされたsRGB画像の望ましくない青または赤の色合いにつながる可能性がある。 近年の手法では、撮像後のWB補正問題を画像から画像への変換タスクとして用い、低解像度で必要な色調整を学習するために深層ニューラルネットワークを訓練している。 本稿では,3D LUTのWB補正品質を25.5%向上させる,新しいハードサンプルマイニング手法による対照的な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-15T20:48:33Z)
• You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement [50.37253008333166]
  低照度画像強調(LLIE)タスクは、劣化した低照度画像から詳細と視覚情報を復元する傾向がある。 水平/垂直インテンシティ(HVI)と呼ばれる新しいトレーニング可能なカラー空間を提案する。 輝度と色をRGBチャネルから切り離して、拡張中の不安定性を緩和するだけでなく、トレーニング可能なパラメータによって異なる照明範囲の低照度画像にも適応する。
  論文  参考訳（メタデータ） (2024-02-08T16:47:43Z)
• Ternary-Type Opacity and Hybrid Odometry for RGB NeRF-SLAM [58.736472371951955]
  表面を交差する光線上の点を3つの領域(前・前・後・後)に分類する3成分式不透明度モデルを導入する。 これにより、より正確な深度のレンダリングが可能となり、画像ワープ技術の性能が向上する。 TTとHOの統合アプローチは,合成および実世界のデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-20T18:03:17Z)
• Toward DNN of LUTs: Learning Efficient Image Restoration with Multiple Look-Up Tables [47.15181829317732]
  エッジデバイス上の高解像度スクリーンは、効率的な画像復元アルゴリズムに対する強い需要を刺激する。 単一のルックアップテーブルのサイズはインデックス化能力の増加とともに指数関数的に増加する。 本稿では,Mulutと呼ばれるニューラルネットワークのような複数のLUTを構築するための普遍的手法を提案する。
  論文  参考訳（メタデータ） (2023-03-25T16:00:33Z)
• SepLUT: Separable Image-adaptive Lookup Tables for Real-time Image Enhancement [21.963622337032344]
  上記の制限に対処するため、SepLUT(分離画像適応ルックアップテーブル)を提案する。 具体的には、単一色変換を1Dおよび3D LUTとしてインスタンス化されたコンポーネント非依存およびコンポーネント関連サブ変換のカスケードに分離する。 このように、2つのサブ変換の能力は相互に促進され、3D LUTは色成分を混合する能力を補完する。
  論文  参考訳（メタデータ） (2022-07-18T02:27:19Z)
• Asymmetric CNN for image super-resolution [102.96131810686231]
  深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。 画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。 我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
  論文  参考訳（メタデータ） (2021-03-25T07:10:46Z)

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。