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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».