論文の概要: RGB Photo Enhancement with Deep Learning on Smartphone GPUs: Mobile AI 2026 Challenge Report

• arxiv url: http://arxiv.org/abs/2611.05024v1
• Date: Tue, 03 Nov 2026 15:02:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 15:00:05.826927
• Title: RGB Photo Enhancement with Deep Learning on Smartphone GPUs: Mobile AI 2026 Challenge Report
• Title（参考訳）: スマートフォンGPUのディープラーニングによるRGB写真の強化 - Mobile AI 2026 Challenge Report
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 66.21723686112048
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: On-device RGB photo enhancement is a popular task that is needed for quality improvement of photos captured with mobile devices as well as for retouching of images acquired through other sources. 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 participants to design fast solutions that can perform comprehensive enhancement of RGB photos while running on popular smartphone GPUs from Qualcomm and Arm. For this, the participants were provided with a large-scale DPED dataset consisting of RGB image pairs captured with an old iPhone 3GS smartphone and a professional Canon 70D DSLR 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 enhance Full HD resolution RGB images on both platforms under 300 milliseconds. A comprehensive description of the models developed in the challenge is provided in this paper.
• Abstract（参考訳）: オンデバイスRGB写真強調は、モバイルデバイスで撮影した写真の品質向上や、他のソースから取得した画像の修正に必要とされる一般的なタスクである。 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やArmの人気のスマートフォンGPU上で実行しながら、RGB写真の包括的な拡張を可能にする高速なソリューションを設計する参加者を提案する。 参加者には、古いiPhone 3GSスマートフォンとプロのCanon 70D DSLRカメラで撮影されたRGBイメージペアからなる大規模なDPED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。 このチャレンジで提案された最上位のソリューションは、300ミリ秒以下の両方のプラットフォーム上のフルHD解像度のRGBイメージを強化することができる。 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

• Learned Smartphone ISP on Mobile GPUs: Mobile AI 2026 Challenge Report [54.03208745482391]
  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。
  論文  参考訳（メタデータ） (2026-11-03T14:54:21Z)
• 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 and Accurate Quantized Camera Scene Detection on Smartphones, Mobile AI 2021 Challenge: Report [65.91472671013302]
  我々は、量子化ディープラーニングベースのカメラシーン分類ソリューションを開発することを目的とした、最初のMobile AIチャレンジを紹介する。 提案されたソリューションは、すべての主要なモバイルAIアクセラレータと完全に互換性があり、最近のスマートフォンプラットフォームの大部分で100-200 FPS以上を実証することができる。
  論文  参考訳（メタデータ） (2021-05-17T13:55:38Z)
• 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)

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。