論文の概要: Learned Smartphone ISP on Mobile GPUs: Mobile AI 2026 Challenge Report
- arxiv url: http://arxiv.org/abs/2611.05008v1
- Date: Tue, 03 Nov 2026 14:54:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 15:09:16.597249
- Title: Learned Smartphone ISP on Mobile GPUs: Mobile AI 2026 Challenge Report
- Title（参考訳）: モバイルGPUのスマートフォンISPを学ぶ - Mobile AI 2026 Challenge Report
- Abstract要約: 本稿では,Qualcomm と Arm のスマートフォン GPU 上で動作しながら,RAW Bayer カメラデータから RGB 画像を再構成可能な高速なソリューションを参加者に提案する。
全てのモデルのランタイムはSnapdragon 8 Elite Gen 5とDimensity 9500チップセットでAdrenoとMali GPUで評価された。
この課題で提案されている最上位のソリューションは、100ミリ秒以下の両方のプラットフォーム上の生データから高品質な5MP RGBイメージを再構築することができる。
- 参考スコア（独自算出の注目度）: 54.03208745482391
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: With the increasing importance of mobile camera quality in modern smartphones, growing attention has been directed toward computational photography and advanced image signal processing (ISP) algorithms aimed at enhancing various perceptual attributes of captured images. This creates a need for efficient deep learning models for this problem that are not only performant but can also be deployed on constrained mobile hardware. In this Mobile AI challenge, we address this problem and propose the participants to design fast solutions that can reconstruct RGB photos from RAW Bayer camera data while running on popular smartphone GPUs from Qualcomm and Arm. For this, the participants were provided with a large-scale Fujifilm UltraISP dataset consisting of RAW-RGB image pairs captured with the Sony IMX586 Quad Bayer mobile sensor and a professional 102MP medium format FujiFilm GFX100 camera. The runtime of all models was evaluated on the Snapdragon 8 Elite Gen 5 and Dimensity 9500 chipsets with the Adreno and Mali GPUs, respectively. Top solutions proposed in this challenge are able to reconstruct high-quality 5MP RGB image from raw data on both platforms under 100 milliseconds. A comprehensive description of the models developed in the challenge is provided in this paper.
- Abstract（参考訳）: 現代のスマートフォンにおけるモバイルカメラの品質の重要性の高まりに伴い、画像の様々な知覚特性を高めることを目的とした計算写真や高度な画像信号処理(ISP)アルゴリズムに注目が向けられている。
これにより、パフォーマンスだけでなく、制約のあるモバイルハードウェアにもデプロイ可能な、この問題に対する効率的なディープラーニングモデルの必要性が生まれます。
このMobile AIチャレンジでは、この問題に対処し、QualcommとArmの人気のスマートフォンGPU上で実行中にRAW BayerカメラデータからRGB写真を再構成できる高速なソリューションを参加者に提案する。
このために参加者は、Sony IMX586 Quad Bayerモバイルセンサーとプロの102MPのFujiFilm GFX100カメラで撮影されたRAW-RGBイメージペアからなる大規模な富士フイルムウルトラISPデータセットが提供された。
全てのモデルのランタイムは、Snapdragon 8 Elite Gen 5とDimensity 9500チップセットでそれぞれAdrenoとMali GPUで評価された。
この課題で提案されている最上位のソリューションは、100ミリ秒以下の両方のプラットフォーム上の生データから高品質な5MP RGBイメージを再構築することができる。
本論文では,本課題で開発されたモデルの包括的記述について述べる。
関連論文リスト
- RGB Photo Enhancement with Deep Learning on Smartphone GPUs: Mobile AI 2026 Challenge Report [66.21723686112048]
本稿では,300ミリ秒以下のスマートフォン上でフルHD解像度のRGB画像を改善するためのモバイルAIチャレンジを提案する。
この課題で提案された最上位のソリューションは、この課題の下で両方のプラットフォームでフルHD解像度のRGBイメージを拡張することができる。
論文 参考訳（メタデータ） (2026-11-03T15:02:26Z) - Efficient Image Denoising on Smartphone GPUs: Mobile AI 2026 Challenge Report [66.1030835379426]
画像のデノイングはモバイル写真の基本的問題である。
この課題に対して多くの解決策が提案されているが、その大半は合成合成ノイズ画像に基づいて訓練されている。
これにより、パフォーマンスだけでなく、制約のあるモバイルハードウェアにもデプロイ可能な、効率的なディープラーニングベースのモデルの必要性が生まれます。
論文 参考訳（メタデータ） (2026-10-31T14:18:38Z) - Learned Smartphone ISP on Mobile GPUs with Deep Learning, Mobile AI &
AIM 2022 Challenge: Report [59.831324427712815]
この課題は、効率的なエンドツーエンドのAIベースの画像処理パイプラインを開発することを目的としている。
モデルはSnapdragonの8 Gen 1 GPUで評価され、一般的なディープラーニング運用の大部分で優れた加速結果が得られた。
提案されたソリューションは、最近のすべてのモバイルGPUと互換性があり、フルHD写真を20-50ミリ秒未満で処理でき、高い忠実度を達成できる。
論文 参考訳（メタデータ） (2022-11-07T22:13:10Z) - Fast Camera Image Denoising on Mobile GPUs with Deep Learning, Mobile AI
2021 Challenge: Report [64.09439666916465]
最初のMobile AIチャレンジでは、エンドツーエンドのディープラーニングベースの画像記述ソリューションの開発を目標としています。
提案したソリューションは任意のモバイルGPUと完全に互換性があり、480pの解像度画像を40-80msで処理できる。
論文 参考訳（メタデータ） (2021-05-17T13:27:56Z) - Learned Smartphone ISP on Mobile NPUs with Deep Learning, Mobile AI 2021
Challenge: Report [49.643297263102845]
この課題は、エンドツーエンドのディープラーニングベースの画像信号処理パイプラインの開発にある。
提案手法は60-100ミリ秒以下のフルHD写真を高忠実度で処理できる。
論文 参考訳（メタデータ） (2021-05-17T13:20:35Z)
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。