抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ディジタルカメラは,それらの画像信号プロセッサ(ISP)によってRGB画像にセンサRAWを読み込む。画像雑音除去や色恒常性のようなコンピュータ写真タスクは,部分的には固有のハードウェア設計のため,また,直接センサ読出から生じる雑音統計の魅力的な単純さのために,RAWドメインにおいて一般的に実行される。これにもかかわらず,利用可能なRGBデータの量と多様性と比較して,RAW画像のアベイラビリティは限られている。最近のアプローチでは,RGBをRAWマッピングに推定することにより,このギャップを埋めることが試みられており,解釈可能かつ制御可能な手作業モデルベースの方法は,通常,手動パラメータ微調整を必要とし,一方,エンドツーエンド学習可能ニューラルネットワークは,複雑な訓練手順で,大量の訓練データを必要とし,一般的に,解釈可能性およびパラメトリック制御を欠いている。これらの既存の限界に取り組むために,正準ISP演算上に構築され,学習可能かつ解釈可能な新しいハイブリッドモデルベースおよびデータ駆動ISPを提示した。RAWとRGBドメイン間の双方向マッピングが可能な,提案した可逆モデルは,豊富なパラメータ表現のエンドツーエンド学習,すなわち,直接パラメトリック監視から自由であり,さらに簡単で妥当なデータ増強を可能にする辞書を,採用する。RAW画像再構成とRAW画像雑音除去タスクの両者の下での広範な実験により,データ生成プロセスの価値を証明し,両者において最先端の性能を得た。さらに,筆者らのISPは少数のデータサンプルから意味のあるマッピングを学習でき,辞書ベースのデータ増強で訓練された雑音除去モデルは,ほんの僅かまたはゼロの地上-トルースラベルを持つにもかかわらず,競合することを示した。【JST・京大機械翻訳】