Fugu-MT 論文翻訳(概要): Binarized High-Efficiency RAW Video Restoration and Beyond

論文の概要: Binarized High-Efficiency RAW Video Restoration and Beyond

arxiv url: http://arxiv.org/abs/2608.16756v1
Date: Mon, 17 Aug 2026 16:03:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.789179
Title: Binarized High-Efficiency RAW Video Restoration and Beyond
Title（参考訳）: 2元化高能率RAWビデオ再生とそれ以上
Abstract要約: BinRVRはRAWビデオ復元フレームワークで、パラメータを約96%削減し、パフォーマンスが約4%低下した。本稿では,空間情報と時間情報を協調的に効率的かつ統一的にモデル化するためのBIIM(binarized Information Interaction Module)を提案する。さらに、物体検出や単眼深度推定など、下流ビデオアプリケーションにおける本手法の可能性について検討する。
参考スコア（独自算出の注目度）: 35.19326380579849
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: RAW video restoration is fundamental to high-quality low-level perception and serves as the basis for a wide range of downstream vision applications. While binary neural networks (BNNs) enable efficient lightweight deployment for image enhancement, their deficiencies in modeling temporal coherence and activation value distributions hinder their effectiveness when applied to video scenarios. In this paper, we propose BinRVR, a binarized RAW video restoration framework that reduces computation and parameters by approximately 96% while incurring only about 4% performance degradation. Specifically, we present a Binarized Information Interaction Module (BIIM) to jointly model spatial and temporal information in an efficient and unified manner. Moreover, we develop a Distribution-Aware Binarized Convolution (DAB-Conv) that leverages the statistics of full-precision activations to mitigate quantization errors. The proposed framework further supports multi-bit quantization, enabling flexible accuracy-efficiency trade-offs across different hardware constraints. Extensive experiments demonstrate that our BinRVR achieves competitive performance compared with state-of-the-art binarized methods on RAW video restoration tasks, including low-light enhancement, denoising, deblurring, and super-resolution. We further explore the potential of our method on downstream video applications, including object detection and monocular depth estimation.
Abstract（参考訳）: RAWビデオ復元は、高品質な低レベル知覚の基礎であり、幅広い下流視覚応用の基盤となっている。バイナリニューラルネットワーク(BNN)は、画像強調のための効率的な軽量デプロイメントを実現する一方で、時間的コヒーレンスとアクティベーション値の分布をモデル化する際の欠陥は、ビデオシナリオに適用した場合の有効性を妨げている。本稿では,2値化RAWビデオ復元フレームワークであるBinRVRを提案する。具体的には、空間的・時間的情報を効率的かつ統一的に共同でモデル化するためのBIIM(binarized Information Interaction Module)を提案する。さらに、完全精度のアクティベーションの統計を利用して量子化誤差を緩和する分散対応バイナリ化畳み込み(DAB-Conv)を開発した。提案フレームワークはさらにマルチビット量子化をサポートし、異なるハードウェア制約に対して柔軟な精度・効率のトレードオフを可能にする。広汎な実験により、我々のBinRVRは、低照度向上、デノイング、デブロアリング、超解像を含むRAWビデオ復元タスクにおける最先端のバイナライズ手法と比較して、競争性能が向上することが示された。さらに、物体検出や単眼深度推定など、下流ビデオアプリケーションにおける本手法の可能性について検討する。

関連論文リスト

SoLAR: Error-Resilient Streamable Long-Horizon Free-Viewpoint Video Reconstruction with Anchor Activation and Latent Recalibration [57.159190580279585]
ビット割り当て理論により、速度歪み最適化フレームワーク内で動的アンカーベースのボリュームビデオ表現を解析する。我々は,長いシーケンスの復元品質を安定的に維持する,エラー回復性の最初のFVVフレームワークである textbfSoLAR を提案する。
論文参考訳（メタデータ） (2026-05-08T06:48:59Z)
Structural Pruning of Large Vision Language Models: A Comprehensive Study on Pruning Dynamics, Recovery, and Data Efficiency [65.07757274822207]
大規模ビジョン言語モデル(LVLM)は、目覚ましい能力を示し、その相当な計算とメモリ要件は、リソース制約されたエッジデバイスへのデプロイメントに挑戦する。言語モデルバックボーンに構造化プルーニングを適用して既存のLVLMを圧縮し,その後に軽量回復訓練を行った。
論文参考訳（メタデータ） (2026-04-27T12:10:44Z)
TinyNeRV: Compact Neural Video Representations via Capacity Scaling, Distillation, and Low-Precision Inference [2.294014185517203]
暗黙的なニューラルビデオ表現は、ニューラルネットワークのパラメータ内の全ビデオシーケンスをエンコードする。 NeRV(Neural Representations for Videos)に関する最近の研究は、競争力のある再構成性能を実証している。本稿では, 効率的な配置を実現するために設計された, 小型のNeRVアーキテクチャの体系化について述べる。
論文参考訳（メタデータ） (2026-04-10T11:26:09Z)
Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
論文参考訳（メタデータ） (2026-01-25T07:09:20Z)
Boosting Neural Video Representation via Online Structural Reparameterization [16.30945567392327]
オンライン構造的再パラメータ化に基づくNVRフレームワークである Online-RepNeRV を提案する。本手法は,トレーニング時間と復号速度を同等に保ちながら,ベースライン法平均PSNR0.37-2.7dBを達成する。
論文参考訳（メタデータ） (2025-11-14T08:44:31Z)
FCA2: Frame Compression-Aware Autoencoder for Modular and Fast Compressed Video Super-Resolution [68.77813885751308]
最先端(SOTA)圧縮ビデオ超解像(CVSR)モデルは、長期の推論時間、複雑なトレーニングパイプライン、補助情報への依存など、永続的な課題に直面している。ハイパースペクトル画像(HSI)とビデオデータの構造的および統計的類似性から着想を得た,効率的でスケーラブルなソリューションを提案する。提案手法では,計算複雑性を低減し,推論を高速化し,フレーム間の時間情報の抽出を促進する圧縮駆動型次元減少戦略を導入する。
論文参考訳（メタデータ） (2025-06-13T07:59:52Z)
Ultra Lowrate Image Compression with Semantic Residual Coding and Compression-aware Diffusion [28.61304513668606]
ResULICは残留誘導型超低レート画像圧縮システムである。残差信号は意味検索と拡散に基づく生成プロセスの両方に組み込む。最先端拡散法に比べて客観的・主観的性能に優れる。
論文参考訳（メタデータ） (2025-05-13T06:51:23Z)
Efficient Diffusion as Low Light Enhancer [63.789138528062225]
RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。 textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
論文参考訳（メタデータ） (2024-10-16T08:07:18Z)
Towards Improved Semiconductor Defect Inspection for high-NA EUVL based on SEMI-SuperYOLO-NAS [0.9997798039664684]
本研究の目的は、画像のスケールアップが可能なスケール不変ADCDフレームワークを提案することである。ベースラインのYOLO-NASアーキテクチャ上に構築されたSEMI-SuperYOLO-NASとして、即興ADCDフレームワークを提案する。
論文参考訳（メタデータ） (2024-04-08T20:51:30Z)
Boosting Neural Representations for Videos with a Conditional Decoder [28.073607937396552]
Inlicit Neural representations (INRs) は、ビデオストレージと処理において有望なアプローチとして登場した。本稿では,現在の暗黙的ビデオ表現手法のための普遍的なブースティングフレームワークを提案する。
論文参考訳（メタデータ） (2024-02-28T08:32:19Z)
Sample Less, Learn More: Efficient Action Recognition via Frame Feature Restoration [59.6021678234829]
本稿では,2つのスパースサンプリングおよび隣接するビデオフレームの中間特徴を復元する新しい手法を提案する。提案手法の統合により, 一般的な3つのベースラインの効率は50%以上向上し, 認識精度は0.5%低下した。
論文参考訳（メタデータ） (2023-07-27T13:52:42Z)
ConvNeXt-ChARM: ConvNeXt-based Transform for Efficient Neural Image Compression [18.05997169440533]
ConvNeXt-ChARMは,効率的なConvNeXtベースのトランスフォーメーションコーディングフレームワークである。 ConvNeXt-ChARMは、VVC参照エンコーダ(VTM-18.0)と最先端の学習画像圧縮手法であるSwinT-ChARMに対して、平均5.24%と1.22%と、一貫したBDレート(PSNR)の低下をもたらすことを示した。
論文参考訳（メタデータ） (2023-07-12T11:45:54Z)

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。