論文の概要: UniTele: Learning Device-Conditioned Degradations for Unified Smartphone Telephoto Super-Resolution

• arxiv url: http://arxiv.org/abs/2610.39617v1
• Date: Thu, 29 Oct 2026 08:47:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:12:40.140523
• Title: UniTele: Learning Device-Conditioned Degradations for Unified Smartphone Telephoto Super-Resolution
• Title（参考訳）: UniTele: 統一型スマートフォン用超解像システムのためのデバイス駆動型劣化学習システム
• Abstract要約: 携帯電話での超微視的画像撮影は、複雑なデバイス依存の劣化に悩まされている。 私たちは、同じコンテンツを2つのディスプレイサイズで撮影し、ズーム設定をすることで、3つの携帯電話ブランドにペアリングしたベンチマークを構築しました。 デバイス固有の劣化を学習するためにベンチマークを使用し、それを外部画像に適用して、数千の追加ペアを合成し、UniTele SRモデルをトレーニングします。
• 参考スコア（独自算出の注目度）: 22.689082068341552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Super-telephoto imaging on mobile phones suffers from complex, device-dependent degradations that are poorly captured by conventional handcrafted pipelines. Collecting large-scale aligned training pairs across different phones and diverse scenes, however, is both costly and difficult to scale. We therefore study whether device-specific degradations can be learned from only a small number of physical captures and transferred for training a unified super-resolution (SR) model. Our key idea is to factor degradation learning into two learnable components: one captures the device-specific imaging characteristics under well-resolved conditions, while the other captures the additional information loss and artifacts that arise in super-telephoto imaging. We build a paired benchmark across three phone brands (Huawei, Apple, and vivo) by photographing the same content at two display sizes and zoom settings. The larger displayed image is captured at the phone's maximum optical zoom setting, while the smaller image is photographed directly at the phone's highest native zoom setting through the phone's native imaging pipeline. The benchmark contains 519 training and 60 held-out pairs. We use the benchmark to learn device-specific degradation, then apply it to external images to synthesize thousands of additional pairs to train our UniTele SR model. Relative to the pretrained Qwen and FLUX backbones before adaptation, the full UniTele training recipe substantially improves paired restoration fidelity and perceptual similarity on the held-out benchmark and yields markedly more stable and visually faithful restorations.
• Abstract（参考訳）: 携帯電話での超微視的画像撮影は、従来の手作りパイプラインでは捉えにくい複雑なデバイス依存の劣化に悩まされている。 しかし、さまざまな電話機と多様なシーンにまたがって、大規模なアライメントトレーニングペアを集めることは、費用がかかり、スケールが難しい。 したがって、デバイス固有の劣化が、少数の物理的キャプチャからのみ学習でき、統合された超解像モデル(SR)を訓練するために転送されるかどうかを考察する。 私たちのキーとなるアイデアは、分解学習を2つの学習可能なコンポーネントに分解することです。一方は、よく解決された条件下でデバイス固有のイメージング特性をキャプチャし、もう一方は、超微視的イメージングで発生する追加の情報損失とアーティファクトをキャプチャします。 私たちは、同じコンテンツを2つのディスプレイサイズとズーム設定で撮影することで、3つの携帯電話ブランド(Huawei、Apple、Bio)にペアリングしたベンチマークを構築しました。 より大きな表示画像は、電話機の最大光学ズーム設定で撮影され、小さな画像は、電話機のネイティブ画像パイプラインを通して、電話機の最高ネイティブズーム設定で直接撮影される。 ベンチマークには519のトレーニングと60のホールトアウトペアが含まれている。 デバイス固有の劣化を学習するためにベンチマークを使用し、それを外部画像に適用して、数千の追加ペアを合成し、UniTele SRモデルをトレーニングします。 適応前の事前訓練されたQwenとFLUXのバックボーンと比較して、完全なUniTeleトレーニングレシピは、ホールドアウトベンチマークにおけるペア化された復元忠実性と知覚的類似性を大幅に改善し、より安定し、視覚的に忠実な回復を著しく向上させる。

関連論文リスト

• Image Demoiréing Using Dual Camera Fusion on Mobile Phones [58.39212652291496]
  本稿では,超広角(UW)画像を用いて広角(W)画像のモアレ除去を支援するDual Camera fusion for Image Demoir'eing(DCID, ie)を提案する。 特に,軽量なUW画像エンコーダを既存の復号機ネットワークに統合した効率的なDCID手法を提案する。
  論文  参考訳（メタデータ） (2025-06-10T02:20:37Z)
• Self-Supervised Learning for Real-World Super-Resolution from Dual and Multiple Zoomed Observations [61.448005005426666]
  スマートフォン用レファレンスベーススーパーレゾリューション(RefSR)における2つの課題について考察する。 本稿では,デュアルカメラとマルチカメラのズームで観測した実世界のRefSRに対して,新たな自己教師型学習手法を提案する。
  論文  参考訳（メタデータ） (2024-05-03T15:20:30Z)
• Real-Time Under-Display Cameras Image Restoration and HDR on Mobile Devices [81.61356052916855]
  アンダーディスプレイカメラ(UDC)によって撮影された画像は、その前のスクリーンによって劣化する。 画像復元のためのディープラーニング手法は、キャプチャ画像の劣化を著しく低減することができる。 我々は,視覚的UDC画像復元とHDRのための軽量なモデルを提案し,スマートフォン上での様々な手法の性能と実行状況を比較したベンチマークを提供する。
  論文  参考訳（メタデータ） (2022-11-25T11:46:57Z)
• Perceptual Image Enhancement for Smartphone Real-Time Applications [60.45737626529091]
  本稿では,知覚的画像強調のための軽量ネットワークLPIENetを提案する。 我々のモデルは、ノイズアーティファクト、回折アーティファクト、ぼかし、HDR過剰露光を扱うことができる。 我々のモデルは、中級商用スマートフォンで1秒未満で2K解像度画像を処理することができる。
  論文  参考訳（メタデータ） (2022-10-24T19:16:33Z)
• Self-Supervised Learning for Real-World Super-Resolution from Dual Zoomed Observations [66.09210030518686]
  デュアルカメラズーム(SelfDZSR)で観測した実世界のRefSRに対する新しい自己教師型学習手法を提案する。 最初の問題として、よりズームされた(望遠的な)画像は、より少ないズームされた(短焦点)画像のSRをガイドする参照として自然に利用することができる。 2つ目の問題として、セルフDZSRは、短焦点画像のSR結果を得るための深層ネットワークを、望遠画像と同じ解像度で学習する。
  論文  参考訳（メタデータ） (2022-03-02T13:30:56Z)
• Deploying Image Deblurring across Mobile Devices: A Perspective of Quality and Latency [11.572636762286775]
  携帯型ネットワークアーキテクチャを探索し、モバイルデバイス間で品質と品質のトレードオフを改善する。 本稿では,レイテンシと画質の両方について詳細な解析を行うための総合的な実験と比較を行った。 私たちの知る限りでは、この論文はモバイルデバイス全体にわたるイメージデブラリングタスクのすべてのデプロイ問題に対処する最初の論文です。
  論文  参考訳（メタデータ） (2020-04-27T06:32:53Z)

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。