論文の概要: Twice Mixing: A Rank Learning based Quality Assessment Approach for Underwater Image Enhancement

• arxiv url: http://arxiv.org/abs/2102.00670v1
• Date: Mon, 1 Feb 2021 07:13:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-02 15:31:16.907093
• Title: Twice Mixing: A Rank Learning based Quality Assessment Approach for Underwater Image Enhancement
• Title（参考訳）: Twice Mixing: 水中画像強調のためのランク学習に基づく品質評価手法
• Authors: Zhenqi Fu, Xueyang Fu, Yue Huang, and Xinghao Ding
• Abstract要約: 水中画像強調(UIE)のためのランク学習誘導非参照品質評価法を提案する。 Twice Mixingと呼ばれるこの手法は、高品質な画像と低品質な画像とを混合することにより、中質な画像を生成することができるという観察によって動機付けられている。 我々は、合成データセットと実世界のデータセットの両方について広範な実験を行う。
• 参考スコア（独自算出の注目度）: 42.03072878219206
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To improve the quality of underwater images, various kinds of underwater image enhancement (UIE) operators have been proposed during the past few years. However, the lack of effective objective evaluation methods limits the further development of UIE techniques. In this paper, we propose a novel rank learning guided no-reference quality assessment method for UIE. Our approach, termed Twice Mixing, is motivated by the observation that a mid-quality image can be generated by mixing a high-quality image with its low-quality version. Typical mixup algorithms linearly interpolate a given pair of input data. However, the human visual system is non-uniformity and non-linear in processing images. Therefore, instead of directly training a deep neural network based on the mixed images and their absolute scores calculated by linear combinations, we propose to train a Siamese Network to learn their quality rankings. Twice Mixing is trained based on an elaborately formulated self-supervision mechanism. Specifically, before each iteration, we randomly generate two mixing ratios which will be employed for both generating virtual images and guiding the network training. In the test phase, a single branch of the network is extracted to predict the quality rankings of different UIE outputs. We conduct extensive experiments on both synthetic and real-world datasets. Experimental results demonstrate that our approach outperforms the previous methods significantly.
• Abstract（参考訳）: 水中画像の品質を向上させるために、過去数年間にさまざまな種類の水中画像強化(UIE)オペレータが提案されています。 しかし、効果的な客観的評価方法の欠如はUIE技術のさらなる発展を制限します。 本稿では,新しいランク学習による無基準品質評価法を提案する。 2回混合と呼ばれるこのアプローチは、高品質な画像と低品質の画像を混ぜることで、中間品質の画像が生成されるという観察によって動機付けられたものです。 典型的な混合アルゴリズムは、与えられた入力データのペアを線形に補間する。 しかし,人間の視覚系は画像処理において一様でなく非線形である。 そこで,これらの混合画像と,それらの絶対スコアを線形結合で計算した深層ニューラルネットワークを直接学習する代わりに,シアムネットワークを訓練し,それらの品質ランキングを学ぶことを提案する。 2回混合は精巧に定式化された自己スーパービジョン機構に基づいて訓練される。 具体的には、各イテレーションの前に、仮想画像の生成とネットワークトレーニングの誘導の両方に使用される2つの混合比をランダムに生成する。 テストフェーズでは、ネットワークの単一のブランチを抽出し、異なるUIE出力の品質ランキングを予測します。 我々は,合成データと実世界のデータセットの両方について広範な実験を行う。 実験の結果,提案手法が従来の手法を大きく上回ることがわかった。

関連論文リスト

• Enhance Image Classification via Inter-Class Image Mixup with Diffusion Model [80.61157097223058]
  画像分類性能を高めるための一般的な戦略は、T2Iモデルによって生成された合成画像でトレーニングセットを増強することである。 本研究では,既存のデータ拡張技術の欠点について検討する。 Diff-Mixと呼ばれる革新的なクラス間データ拡張手法を導入する。
  論文  参考訳（メタデータ） (2024-03-28T17:23:45Z)
• Re-IQA: Unsupervised Learning for Image Quality Assessment in the Wild [38.197794061203055]
  教師なし環境で高レベルのコンテンツと低レベルの画像品質特徴を学習するために、2つの異なるエンコーダを訓練するためのMixture of Expertsアプローチを提案する。 本稿では,Re-IQAフレームワークから得られた高次・低次画像表現を,線形回帰モデルをトレーニングするために展開する。 本手法は,大規模画像品質評価データベース上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-04-02T05:06:51Z)
• Adaptive Uncertainty Distribution in Deep Learning for Unsupervised Underwater Image Enhancement [1.9249287163937976]
  ディープラーニングベースの水中画像強化における大きな課題の1つは、高品質なトレーニングデータの可用性の制限である。 本研究では、条件付き変分オートエンコーダ(cVAE)を用いて、深層学習モデルのトレーニングを行う、新しい教師なし水中画像強調フレームワークを提案する。 提案手法は, 定量化と定性化の両面において, 他の最先端手法と比較して, 競争性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-12-18T01:07:20Z)
• Co-training $2^L$ Submodels for Visual Recognition [67.02999567435626]
  サブモデルコトレーニングは、コトレーニング、自己蒸留、深さに関連する正規化手法である。 サブモデルのコトレーニングは,画像分類やセマンティックセグメンテーションなどの認識タスクのためのバックボーンのトレーニングに有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-09T14:38:09Z)
• Image Quality Assessment with Gradient Siamese Network [8.958447396656581]
  画像品質評価のためのグラディエント・シームズ・ネットワーク(GSN)を提案する。 画像ペアに隠された意味的特徴と細部の違いの両方を得るために、中央微分畳み込みを利用する。 ネットワークが抽出した低レベル,中レベル,高レベルの特徴に対して,多レベル融合法を革新的に設計する。
  論文  参考訳（メタデータ） (2022-08-08T12:10:38Z)
• Mix-up Self-Supervised Learning for Contrast-agnostic Applications [33.807005669824136]
  コントラストに依存しないアプリケーションのための,最初の混合型自己教師型学習フレームワークを提案する。 クロスドメイン・ミックスアップに基づく画像間の低分散に対処し、画像再構成と透明性予測に基づくプレテキストタスクを構築する。
  論文  参考訳（メタデータ） (2022-04-02T16:58:36Z)
• Enhanced Performance of Pre-Trained Networks by Matched Augmentation Distributions [10.74023489125222]
  列車-テストの分散シフトに対処するための簡単な解を提案する。 テスト画像に対して、複数のランダムな作物に対して結果を合成する。 これは列車の時間拡張と一致するだけでなく、入力画像の完全なカバレッジも提供する。
  論文  参考訳（メタデータ） (2022-01-19T22:33:00Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• Towards Unsupervised Deep Image Enhancement with Generative Adversarial Network [92.01145655155374]
  監視されていない画像強調生成ネットワーク(UEGAN)を提案する。 教師なしの方法で所望の特性を持つ画像の集合から、対応する画像と画像のマッピングを学習する。 その結果,提案モデルは画像の美的品質を効果的に向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T03:22:46Z)
• Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
  形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。 ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。 合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-04-01T12:56:13Z)

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。