論文の概要: Benchmarking RAW and RGB Restoration in Image Signal Processors

• arxiv url: http://arxiv.org/abs/2609.02831v1
• Date: Wed, 02 Sep 2026 17:15:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.477761
• Title: Benchmarking RAW and RGB Restoration in Image Signal Processors
• Title（参考訳）: 画像信号処理装置におけるRAWとRGB復元のベンチマーク
• Abstract要約: 現代のカメラはRAWセンサ計測を画像信号プロセッサ(ISP)を介してsRGB画像に変換する 固定ISPの周囲に盲点回復のための2つの配置をベンチマークする。 以上の結果から,配置だけでは性能を判断できないことが明らかとなった。
• 参考スコア（独自算出の注目度）: 58.613429740440324
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modern cameras transform RAW sensor measurements into sRGB images through an image signal processor (ISP). We benchmark two placements for blind restoration around a fixed ISP: (A) pre-ISP restoration in the RAW domain and (B) post-ISP restoration in the sRGB domain. The benchmark covers four smartphone device groups, two learned ISPs, three degradation regimes--noise, blur, and joint noise and blur--, and several representative RAW and RGB restoration models. Our results show that placement alone does not determine performance. The RAW restoration strategy outperforms the best generic RGB restoration models. However, RGB restoration models trained considering the ISP transformations, achieve the best overall performance. Our novel benchmark demonstrates that the image reconstruction performance strongly depends on the alignment between the restoration model and the target imaging pipeline. We consequently recommend reporting restoration placement and ISP-aware supervision as key experimental factors. Our code is available at https://github.com/mv-lab/AISP
• Abstract（参考訳）: 現代のカメラはRAWセンサーの測定値を画像信号プロセッサ(ISP)を介してsRGB画像に変換する。 A) RAWドメインにおけるISP前修復と,(B) sRGBドメインにおけるISP後修復の2つの配置をベンチマークする。 このベンチマークは、4つのスマートフォンデバイスグループ、2つの学習したISP、3つの劣化機構、ノイズ、ブラー、ジョイントノイズ、ブラー、そしていくつかの代表的なRAWおよびRGB復元モデルをカバーする。 以上の結果から,配置だけでは性能を判断できないことが明らかとなった。 RAW復元戦略は、最高の汎用RGB復元モデルより優れている。 しかし、ISP変換を考慮してトレーニングされたRGB復元モデルは、全体的なパフォーマンスを最高のものにする。 新たなベンチマークでは,画像再構成性能が画像復元モデルと対象画像パイプラインのアライメントに強く依存していることが示されている。 そこで我々は, リストラの実施状況とISP対応の監視を重要な実験要因として推奨する。 私たちのコードはhttps://github.com/mv-lab/AISPで利用可能です。

関連論文リスト

• $\mathbf{R}^3$: Reconstruction, Raw, and Rain: Deraining Directly in the Bayer Domain [5.193141021890106]
  ほとんどの再構成ネットワークはISP後のsRGBイメージでトレーニングされているが、イメージ信号処理パイプラインは、色やクリップのダイナミックレンジを不可逆的に混合し、細部がぼやけている。 本報告では, 雨害対策として雨害対策を応用し, 生モザイクを直接学習することで, より優れた再現性が得られることを示す。
  論文  参考訳（メタデータ） (2025-09-28T18:31:24Z)
• RAW Image Reconstruction from RGB on Smartphones. NTIRE 2025 Challenge Report [80.64928431399075]
  本稿では, sRGB (Reverse ISP) からのRAW再構成に関する第2の課題について述べる。 メタデータを使わずに対応するsRGB画像からRAWセンサイメージを回収することを目的としている。
  論文  参考訳（メタデータ） (2025-06-02T17:58:31Z)
• Toward Efficient Deep Blind RAW Image Restoration [56.41827271721955]
  我々は、深部ブラインドRAW復元モデルをトレーニングするための、新しい現実的な劣化パイプラインを設計する。 私たちのパイプラインでは、リアルなセンサーノイズ、動きのぼかし、カメラの揺れ、その他の一般的な劣化について検討しています。 パイプラインと複数のセンサーのデータで訓練されたモデルは、ノイズとぼやけをうまく低減し、異なるカメラから撮影されたRAW画像の細部を復元する。
  論文  参考訳（メタデータ） (2024-09-26T18:34:37Z)
• BSRAW: Improving Blind RAW Image Super-Resolution [63.408484584265985]
  RAW領域におけるブラインド画像の超解像化に取り組む。 生センサデータを用いたトレーニングモデルに特化した,現実的な劣化パイプラインを設計する。 私たちのパイプラインでトレーニングしたBSRAWモデルは、リアルタイムRAW画像をスケールアップし、品質を向上させることができます。
  論文  参考訳（メタデータ） (2023-12-24T14:17:28Z)
• Image Demoireing in RAW and sRGB Domains [18.921026683632146]
  我々は、Gated Feedback Module (GFM) と Frequency Selection Module (FSM) を備えたスキップ接続型復号モジュール(SCDM)を開発した。 我々はRGB Guided ISP(RGISP)を設計し、デバイス依存のISPを学習し、色回復のプロセスを支援する。 我々のRRIDは、PSNRでは0.62dB、SSIMでは0.003のモアレパターン除去とカラーキャスト補正の性能において、最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-12-14T16:00:28Z)
• Self-Supervised Reversed Image Signal Processing via Reference-Guided Dynamic Parameter Selection [1.1602089225841632]
  メタデータとペア画像を必要としない自己教師付き逆ISP方式を提案する。 提案手法は,RGB画像を参照RAW画像と同じセンサで同一環境で撮影されたRAWライクな画像に変換する。 提案手法は,他の最先端教師付き手法に匹敵する精度で,様々な逆ISPを学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-24T11:12:05Z)
• Reversed Image Signal Processing and RAW Reconstruction. AIM 2022 Challenge Report [109.2135194765743]
  本稿では,AIM 2022 Challenge on Reversed Image Signal Processing and RAW Reconstructionを紹介する。 我々は,メタデータを使わずにRGBから生のセンサイメージを回収し,ISP変換を「逆」することを目的としている。
  論文  参考訳（メタデータ） (2022-10-20T10:43:53Z)
• Reversing Image Signal Processors by Reverse Style Transferring [3.867363075280544]
  ISP操作をエンドツーエンドの学習パイプラインのスタイルファクタとしてモデル化することは可能か? 本稿では,適応的特徴正規化の助けを借りてISP操作を逆転させる新しいアーキテクチャ,すなわちRTT-ISP-Netを提案する。
  論文  参考訳（メタデータ） (2022-10-17T13:21:37Z)
• Learning sRGB-to-Raw-RGB De-rendering with Content-Aware Metadata [46.28281823015191]
  我々は,サンプリングと再構築を共同で学習することで,デレンダリングの結果を改善する方法を示す。 実験の結果,既存の手法よりも画像内容に適応し,生の再現性を向上できることがわかった。
  論文  参考訳（メタデータ） (2022-06-03T20:43:17Z)
• Towards Low Light Enhancement with RAW Images [101.35754364753409]
  我々は、低光強度でRAW画像を使用することの優位性について、最初のベンチマークを行う。 本研究では,RAW画像の特性を計測可能な因子に分解するFEM(Facterized Enhancement Model)を新たに開発した。 実アプリケーションにおけるRAW画像の利点と利用不可のトレードオフを生かしたREENet(RAW-guiding Exposure Enhancement Network)を開発した。
  論文  参考訳（メタデータ） (2021-12-28T07:27:51Z)
• Semantic-embedded Unsupervised Spectral Reconstruction from Single RGB Images in the Wild [48.44194221801609]
  この課題に対処するため、我々は、新しい軽量でエンドツーエンドの学習ベースのフレームワークを提案する。 我々は、効率的なカメラスペクトル応答関数推定により、検索されたHS画像から入力されたRGB画像と再投影されたRGB画像の差を徐々に広げる。 提案手法は最先端の教師なし手法よりも優れており,いくつかの設定下では最新の教師付き手法よりも優れている。
  論文  参考訳（メタデータ） (2021-08-15T05:19:44Z)

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。