Fugu-MT 論文翻訳(概要): Domain Adaptive Adversarial Learning Based on Physics Model Feedback for Underwater Image Enhancement

論文の概要: Domain Adaptive Adversarial Learning Based on Physics Model Feedback for Underwater Image Enhancement

arxiv url: http://arxiv.org/abs/2002.09315v1
Date: Thu, 20 Feb 2020 07:50:00 GMT
ステータス: 処理完了
システム内更新日: 2022-12-30 08:02:26.910631
Title: Domain Adaptive Adversarial Learning Based on Physics Model Feedback for Underwater Image Enhancement
Title（参考訳）: 水中画像強調のための物理モデルフィードバックに基づくドメイン適応逆学習
Authors: Yuan Zhou and Kangming Yan
Abstract要約: 物理モデルに基づくフィードバック制御と,水中画像の高機能化のための領域適応機構を用いた,新しい頑健な対角学習フレームワークを提案する。水中画像形成モデルを用いてRGB-Dデータから水中訓練データセットをシミュレーションする新しい手法を提案する。合成および実水中画像の最終的な改良結果は,提案手法の優位性を示している。
参考スコア（独自算出の注目度）: 10.143025577499039
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Owing to refraction, absorption, and scattering of light by suspended particles in water, raw underwater images suffer from low contrast, blurred details, and color distortion. These characteristics can significantly interfere with the visibility of underwater images and the result of visual tasks, such as segmentation and tracking. To address this problem, we propose a new robust adversarial learning framework via physics model based feedback control and domain adaptation mechanism for enhancing underwater images to get realistic results. A new method for simulating underwater-like training dataset from RGB-D data by underwater image formation model is proposed. Upon the synthetic dataset, a novel enhancement framework, which introduces a domain adaptive mechanism as well as a physics model constraint feedback control, is trained to enhance the underwater scenes. Final enhanced results on synthetic and real underwater images demonstrate the superiority of the proposed method, which outperforms nondeep and deep learning methods in both qualitative and quantitative evaluations. Furthermore, we perform an ablation study to show the contributions of each component we proposed.
Abstract（参考訳）: 水中の懸濁粒子による光の屈折、吸収、散乱により、生の水中画像は低コントラスト、ぼやけた詳細、色歪みに悩まされる。これらの特徴は、水中画像の視認性と、セグメンテーションやトラッキングなどの視覚課題の結果に著しく干渉する可能性がある。そこで本研究では,水中画像の再現性を高めるために,物理モデルに基づくフィードバック制御とドメイン適応機構を用いた新しい頑健な学習フレームワークを提案する。水中画像形成モデルによるRGB-Dデータからの水中訓練データセットのシミュレーション手法を提案する。合成データセットでは、ドメイン適応機構と物理モデル制約フィードバック制御を導入する新しい拡張フレームワークが、水中シーンを強化するために訓練される。合成および実水中画像の最終的な改良結果は,質的および定量的評価において非深層学習法および深層学習法を上回った。さらに,提案した各コンポーネントのコントリビューションを示すためのアブレーション研究を行った。

関連論文リスト

Underwater Image Quality Assessment: A Perceptual Framework Guided by Physical Imaging [52.860312888450096]
PIGUIQAと呼ばれる水中画像品質評価(UIQA)のための物理画像誘導フレームワークを提案する。提案手法に物理に基づく水中画像推定を取り入れ,直接透過減衰と後方散乱が画質に与える影響を計測する歪み測定値を定義した。 PIGUIQAは水中画像品質予測における最先端性能を実現し,高い一般化性を示す。
論文参考訳（メタデータ） (2024-12-20T03:31:45Z)
HUPE: Heuristic Underwater Perceptual Enhancement with Semantic Collaborative Learning [62.264673293638175]
既存の水中画像強調法は主に視覚的品質の向上に重点を置いており、実際的な意味を見落としている。視覚的品質を高め,他の下流タスクに対処する柔軟性を示す,水中知覚向上のための可逆的ネットワークHを提案する。
論文参考訳（メタデータ） (2024-11-27T12:37:03Z)
Physics-Inspired Synthesized Underwater Image Dataset [9.117162374919715]
PHISWIDは、物理にインスパイアされた画像合成による水中画像処理の強化に適したデータセットである。我々のデータセットは水中画像処理の発展に寄与する。
論文参考訳（メタデータ） (2024-04-05T10:23:10Z)
DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文参考訳（メタデータ） (2023-12-12T06:07:21Z)
WaterFlow: Heuristic Normalizing Flow for Underwater Image Enhancement and Beyond [52.27796682972484]
既存の水中画像強調法は, 画像品質の向上に重点を置いており, 実践への影響を無視している。本稿では,検出駆動型水中画像強調のための正規化フローであるWaterFlowを提案する。微分可能性や解釈可能性を考慮すると、事前をデータ駆動マッピング手法に組み込む。
論文参考訳（メタデータ） (2023-08-02T04:17:35Z)
PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with Dual-Discriminators [120.06891448820447]
鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。水中画像強調(UIE)の課題も、時間とともに現れた。本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
論文参考訳（メタデータ） (2023-06-15T07:41:12Z)
Beyond NeRF Underwater: Learning Neural Reflectance Fields for True Color Correction of Marine Imagery [16.16700041031569]
水中画像は、光-水相互作用の結果、しばしば歪んだ着色を示す。本研究では,水中画像における真色(アルベド)の復元アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-04-06T21:29:34Z)
MetaUE: Model-based Meta-learning for Underwater Image Enhancement [25.174894007563374]
本論文では,様々な水中シナリオ下でクリーンな画像を復元するためのモデルに基づくディープラーニング手法を提案する。メタラーニング戦略は、合成水中データセット上で事前訓練されたモデルを得るために用いられる。その後、モデルが実際の水中データセットに微調整され、MetaUEと呼ばれる信頼性の高い水中画像拡張モデルが得られる。
論文参考訳（メタデータ） (2023-03-12T02:38:50Z)
WaterNeRF: Neural Radiance Fields for Underwater Scenes [6.161668246821327]
我々は、物理インフォームド深度推定と色補正を可能にするために、ニューラルレイディアンス場(NeRF)の最先端技術を進めた。提案手法であるWaterNeRFは,水中画像形成のための物理モデルを用いてパラメータを推定する。劣化した画像と修正された水中画像と、シーンの深い深さの新たなビューを作成できる。
論文参考訳（メタデータ） (2022-09-27T00:53:26Z)
Underwater Image Restoration via Contrastive Learning and a Real-world Dataset [59.35766392100753]
本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
論文参考訳（メタデータ） (2021-06-20T16:06:26Z)
Perceptual underwater image enhancement with deep learning and physical priors [35.37760003463292]
本稿では,2つの知覚強調モデルを提案する。トレーニングデータの欠如により, 物理的先行とデータ駆動的手がかりを融合したハイブリッド水中画像合成モデルが提案され, トレーニングデータを合成する。実験結果から,提案手法は実環境および合成水中データセット上でのいくつかの最先端手法よりも優れていることが示された。
論文参考訳（メタデータ） (2020-08-21T22:11:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。