NeRD: Neural field-based Demosaicking

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F23%3A00575759" target="_blank" >RIV/67985556:_____/23:00575759 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21340/23:00374129

Výsledek na webu

<a href="http://dx.doi.org/10.1109/ICIP49359.2023.10221948" target="_blank" >http://dx.doi.org/10.1109/ICIP49359.2023.10221948</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ICIP49359.2023.10221948" target="_blank" >10.1109/ICIP49359.2023.10221948</a>

Jazyk výsledku

angličtina

Název v původním jazyce

NeRD: Neural field-based Demosaicking

Popis výsledku v původním jazyce

We introduce NeRD, a new demosaicking method for generating full-color images from Bayer patterns. Our approach leverages advancements in neural fields to perform demosaicking by representing an image as a coordinate-based neural network with sine activation functions. The inputs to the network are spatial coordinates and a low-resolution Bayer pattern, while the outputs are the corresponding RGB values. An encoder network, which is a blend of ResNet and U-net, enhances the implicit neural representation of the image to improve its quality and ensure spatial consistency through prior learning. Our experimental results demonstrate that NeRD outperforms traditional and state-of-the-art CNN-based methods and significantly closes the gap to transformer-based methods.

Název v anglickém jazyce

NeRD: Neural field-based Demosaicking

Popis výsledku anglicky

We introduce NeRD, a new demosaicking method for generating full-color images from Bayer patterns. Our approach leverages advancements in neural fields to perform demosaicking by representing an image as a coordinate-based neural network with sine activation functions. The inputs to the network are spatial coordinates and a low-resolution Bayer pattern, while the outputs are the corresponding RGB values. An encoder network, which is a blend of ResNet and U-net, enhances the implicit neural representation of the image to improve its quality and ensure spatial consistency through prior learning. Our experimental results demonstrate that NeRD outperforms traditional and state-of-the-art CNN-based methods and significantly closes the gap to transformer-based methods.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GA21-03921S" target="_blank" >GA21-03921S: Inverzní problémy ve zpracování obrazu</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 2023 IEEE International Conference on Image Processing (ICIP)

ISBN

978-1-7281-9835-4

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

1735-1739

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Kuala Lumpur

Datum konání akce

8. 10. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—