A 60-Frames/s CMOS Image Sensor With Pixelwise Conversion Gain Modulation and Self-Triggered ADCs for Per-Frame Adaptive DCG-HDR Imaging
Notice bibliographique
Résumé
CMOS image sensors (CISs) have been evolving rapidly in recent years, offering unprecedented imaging capabilities. For high-end mobile CIS products, high dynamic range (HDR) features are favorably desired. Among various HDR techniques, dual-conversion-gain (DCG)-based HDR imaging offers several advantages due to its high image quality and single-frame basis. For DCG-based HDR applications, however, current state-of-the-art CISs suffer from frame rate reduction and higher power consumption. In this article, we present an adaptive DCG-HDR imaging based on a CIS design with per-frame pixelwise conversion gain (CG) modulation and self-triggered analog-to-digital converters (ADCs). According to the scene to be captured, each pixel adaptively adjusts to its unique CG mode. With a single readout per frame and without image fusion, a proof-of-concept prototype CIS that operates in adaptive DCG-HDR mode achieves a 90.5 dB of dynamic range and a power figure of merit (FoM) of 9.9 nJ/frame$\cdot $pixel. Compared to DCG-HDR imaging, operating at 60 frames/s, the presented adaptive DCG-HDR imaging reduces CIS power consumption by 38% and enables single-frame pixelwise HDR imaging, which is suitable for future mobile CIS products.
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 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».