[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]
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)!
🤙[AI-ISP合集] 亮点
|
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
评论
沙发等你来抢