Dual-Port CMOS Image Sensor with Regression-Based HDR Flux-to-Digital Conversion and 80ns Rapid-Update Pixel-Wise Exposure Coding
Notice bibliographique
Résumé
Today's best consumer cameras typically use computational imaging techniques to digitally enhance images by means of software post-processing to yield both high fidelity and low cost. A common technique, for example, is to combine multiple shots with different camera settings into one enhanced image that has a high dynamic range (HDR). This post-processing-based approach fails when fast motion and/or rapidly changing illumination are present, as often happens in autonomous driving, drone imaging, and action-camera applications, or when the illumination itself is actively controlled (e.g., for depth sensing). These applications require a much tighter temporal integration of: (1) in-pixel processing, (2) pixel readout, and (3) post-capture enhancement. Aiming to address these needs, a new class of ‘coded’ computational image sensors has emerged, with both fine (i.e., per-pixel) [1–3] and coarse (i.e., per-pixel-cluster) [4] programmable exposure control. Some of these sensors offer spatial exposure control for single-shot HDR imaging [1], [2], but require multiple ADC types and/or a number of pre- and postprocessing steps (e.g., adaptive pixel-wise exposure control, HDR reconstruction, etc.). Other coded sensors support a variety of computational imaging techniques (e.g., robust depth imaging, compressed sensing [3]), but their conventional ADCs do not offer HDR readout. HDR sensors exist that digitize the pixel output during exposure, before it saturates, but offer no coding [5], [6].
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».