[AI-ISP合集|精简版] 基于DRL-ISP的相机图像算法优化

👏[分享者介绍]

姓名Alex@iResearch666

职位:华为影像实验室 | AI-ISP高级算法研究员

简介:硕士毕业于清华大学,专注于ISP与AI算法优化领域。参与多款旗舰机型影像算法研发。主导开发了基于深度学习的多帧降噪与HDR融合技术,显著提升夜景拍摄表现。参与研发了华为最新X-Image算法,优化了AI超分辨率和实时场景增强,在Mate系列旗舰机型中实现动态细节和色彩还原的突破。

传统ISP已近极限&AI-ISP突破瓶颈

 

1. 先睹为快

2. 研究主题

3. 研究内容

4. 背景简介

    4.1 逆ISP

    4.2 ISP优化

5. 方法论

    5.1 方法选择

    5.2 整体流程

🙏获取完整版(点击阅读原文)

1. 先睹为快

CycleR2R将RGB转化为RAW(右图)          

生成的RAW图用于检测(中图)          

DRL-ISP提高目标检测性能(右图)          

2. 研究主题

本文旨在通过优化图像信号处理(ISP)参数,提高深度神经网络(DNN)在计算机视觉任务中的性能。研究探讨了以下关键内容:  

1.使用 Unpaired CycleR2R 方法从RGB图像生成模拟RAW图像。  

2.评估模拟RAW图像和原始RGB图像在语义分割与目标检测任务中的性能差异。 

3.通过 深度强化学习ISP优化(DRL-ISP) 方法优化ISP参数,提升目标检测精度。  

结果表明:  

原始RGB数据训练的模型性能优于模拟RAW数据,表明模拟RAW数据存在一定局限性。  

DRL-ISP方法有效提高了目标检测的性能,展示了ISP参数优化的潜力。  

           

3. 研究内容    

1. 研究背景与目的

图像信号处理(ISP)是图像质量提升的关键环节,其优化对计算机视觉任务的性能有重要影响。  

论文研究的核心问题:如何优化ISP参数以提高DNN的性能?

                   

2. 方法

1.模拟RAW图像生成:使用 Unpaired CycleR2R 方法,通过逆ISP模型将RGB数据集转换为模拟RAW数据集,无需成对的RAW-RGB图像。  

2.直接输入RAW图像训练DNN:使用DDRNet(语义分割)和YOLO(目标检测)分别训练DNN,比较RGB和模拟RAW数据的性能。  

3.ISP参数优化  

使用 DRL-ISP 方法优化ISP参数,针对目标检测任务进行强化学习训练。

使用特定奖励函数(如mAP指标)指导ISP工具选择与参数调优。

                   

3. 实验与结果

1.语义分割任务  

原始RGB数据训练和测试的模型性能最佳(mIoU为56.7%)。  

模拟RAW数据训练的模型在RGB数据测试时性能下降(mIoU为51.2%)。

2.目标检测任务  

原始RGB数据训练和测试的模型性能最佳(mAP@0.50为33.8%)。  

DRL-ISP优化后,目标检测性能提升(mAP@0.50从33.8%提升至36.5%)。  

3.限制与挑战          

模拟RAW数据存在与真实RAW数据的域差异,可能影响模型泛化性能。  

DRL-ISP在语义分割任务中的应用尚需进一步优化。

                   

4. 结论与未来工作

结论:优化ISP参数对提升DNN性能具有显著作用,但使用模拟RAW数据的局限性需要关注。  

未来工作

收集真实RAW数据进行实验,以减少域差异带来的影响。  

优化DRL-ISP方法,使其适用于语义分割等更多计算机视觉任务。  

           

           

4. 背景简介

4.1 逆ISP

Train a DNN using simulated RAW image          

逆ISP是将RGB图像转换回RAW图像的过程,主要用于生成模拟RAW数据以减少实际RAW图像采集的成本。  

           

模型过程:

1.正向ISP公式:    

2.逆ISP公式:

           

相关工作:

传统方法:依赖成对的RAW-RGB图像,训练卷积神经网络进行逆ISP转换。  

Unpaired CycleR2R:采用非监督方法,结合对抗性损失和循环一致性损失,实现RAW与RGB空间的映射,适应更广泛的实际场景。

           

4.2 ISP优化

Optimize ISP pipeline for computer vision tasks          

ISP优化分为两类方法:

1.参数搜索  

使用进化算法优化ISP参数和结构,以平衡性能与计算资源。  

示例框架:在高噪声和低光条件下,发现有效的ISP配置用于目标检测和语义分割任务。    

2.可训练ISP参数  

构建可微分代理,为每个不可微分的ISP模块设计替代结构。  

DRL-ISP方法:  

结合强化学习和传统ISP工具,通过奖励函数(如mAP)指导ISP优化。

51个ISP工具用于RAW到RGB转换和目标检测任务优化。

           

5. 方法论

5.1 方法选择    

Unpaired CycleR2R 方法:用于生成模拟RAW数据集,因其无需成对的RAW-RGB图像,适用于无法直接获取RAW数据的场景。

DRL-ISP 方法:通过深度强化学习选择和优化ISP参数,适用于自适应性强的ISP优化场景。

研究目标

a.生成RAW数据:用Unpaired CycleR2R生成RAW图像。

b.评估ISP的影响:通过语义分割和目标检测实验,分析RAW和RGB图像对DNN性能的影响。

c.优化ISP:用DRL-ISP方法优化ISP参数以提升DNN性能。

           

5.2 整体流程

1.数据生成:利用Unpaired CycleR2R方法将RGB数据集转换为模拟RAW数据集。

2.DNN性能评估

使用模拟RAW和原始RGB数据分别训练和测试DNN(DDRNet和YOLO)。

通过交叉测试分析不同数据类型对模型性能的影响。

3.ISP优化:采用DRL-ISP方法,针对目标检测任务优化ISP参数。

               

🙏获取完整版(点击阅读原文

                   

👇点击"阅读原文"可获取本文的深度解析完整版(Plus: 可加群交流或答疑)!

精简版只是冰山一角,完整版将呈现完整的ISP优化技术全景,助您掌握核心技术!

                   

🤙[AI-ISP合集] 亮点

内容:最新SOTA的AI-ISP论文解析和全球手机厂优化经验分享

周期:预计每周持续更新

版本:分为精简版和完整版(加群 | 答疑 | 资料 | 代码)

合作:欢迎大佬加入团队定期分享(文档 | 视频)

 

 

           

 

内容中包含的图片若涉及版权问题,请及时与我们联系删除