論文の概要: Underwater Image Enhancement via Learning Water Type Desensitized Representations

• arxiv url: http://arxiv.org/abs/2102.00676v1
• Date: Mon, 1 Feb 2021 07:34:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-02 20:21:38.842068
• Title: Underwater Image Enhancement via Learning Water Type Desensitized Representations
• Title（参考訳）: 学習水型脱感作表現による水中画像強調
• Authors: Zhenqi Fu, Xiaopeng Lin, Wu Wang, Yue Huang, and Xinghao Ding
• Abstract要約: 本稿では,これらの課題に対処するため,SCNetと呼ばれる新しい水中画像強調(UIE)フレームワークを提案する。 SCNetは、空間次元とチャネル次元の両方にわたる正規化スキームに基づいており、水型脱感応特徴を学習する鍵となるアイデアである。 2つの実世界のUIEデータセットによる実験結果から,提案手法は多様な水型で画像の強化に有効であることが示された。
• 参考スコア（独自算出の注目度）: 29.05252230912826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For underwater applications, the effects of light absorption and scattering result in image degradation. Moreover, the complex and changeable imaging environment makes it difficult to provide a universal enhancement solution to cope with the diversity of water types. In this letter, we present a novel underwater image enhancement (UIE) framework termed SCNet to address the above issues. SCNet is based on normalization schemes across both spatial and channel dimensions with the key idea of learning water type desensitized features. Considering the diversity of degradation is mainly rooted in the strong correlation among pixels, we apply whitening to de-correlates activations across spatial dimensions for each instance in a mini-batch. We also eliminate channel-wise correlation by standardizing and re-injecting the first two moments of the activations across channels. The normalization schemes of spatial and channel dimensions are performed at each scale of the U-Net to obtain multi-scale representations. With such latent encodings, the decoder can easily reconstruct the clean signal, and unaffected by the distortion types caused by the water. Experimental results on two real-world UIE datasets show that the proposed approach can successfully enhance images with diverse water types, and achieves competitive performance in visual quality improvement.
• Abstract（参考訳）: 水中での応用では、光吸収と散乱の影響は画像劣化をもたらす。 さらに、複雑で変更可能なイメージング環境は、水タイプの多様性に対処するための普遍的な強化ソリューションを提供することを困難にします。 本稿では,これらの課題に対処するため,SCNetと呼ばれる新しい水中画像強調(UIE)フレームワークを提案する。 SCNetは、水型脱感作機能を学ぶ重要なアイデアで、空間とチャネルの両方の寸法にわたる正規化スキームに基づいています。 劣化の多様性は画素間の強い相関に主に根ざしており、ミニバッチにおける各インスタンスの空間的次元にわたるアクティベーションの非相関化にホワイトニングを適用する。 また,チャネル間のアクティベーションの最初の2つのモーメントを標準化し再注入することで,チャネルワイズ相関を解消する。 空間的およびチャネル次元の正規化スキームは、U-Netの各スケールで実行され、マルチスケール表現を得る。 このような潜時符号化により、デコーダはクリーン信号を容易に再構成でき、水による歪みタイプの影響を受けない。 2つの実世界のUIEデータセットによる実験結果から,提案手法は多様な水型で画像の強化に成功し,視覚的品質改善の競争性能が向上することが示された。

関連論文リスト

• WaterMamba: Visual State Space Model for Underwater Image Enhancement [17.172623370407155]
  水中イメージングは、光の伝播や水中の吸収に影響を及ぼす要因によって、しばしば品質の低下に悩まされる。 画像品質を向上させるため、畳み込みニューラルネットワーク(CNN)とトランスフォーマーに基づく水中画像強調法(UIE)が提案されている。 計算複雑性と高度水中画像劣化を考慮して,UIEの線形計算複雑性を持つ状態空間モデルであるWaterMambaを提案する。
  論文  参考訳（メタデータ） (2024-05-14T08:26:29Z)
• AdaIR: Adaptive All-in-One Image Restoration via Frequency Mining and Modulation [99.57024606542416]
  周波数マイニングと変調に基づく適応的なオールインワン画像復元ネットワークを提案する。 我々のアプローチは、異なる周波数サブバンド上の画像内容に異なる劣化タイプが影響を及ぼすという観察によって動機付けられている。 提案モデルでは,入力劣化に応じて情報周波数サブバンドをアクセントすることで適応的再構成を実現する。
  論文  参考訳（メタデータ） (2024-03-21T17:58:14Z)
• 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)
• UWFormer: Underwater Image Enhancement via a Semi-Supervised Multi-Scale Transformer [26.15238399758745]
  水中画像は、品質が悪く、色調が歪んだり、コントラストが低かったりすることが多い。 現在のディープラーニング手法は、マルチスケール拡張に欠けるニューラル畳み込みネットワーク(CNN)に依存している。 半教師付き学習によって複数の周波数の画像を拡張するためのマルチスケールトランスフォーマーベースネットワークを提案する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:09Z)
• 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)
• Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
  オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。 提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-12-23T03:00:28Z)
• U-shape Transformer for Underwater Image Enhancement [0.0]
  本研究では,5004枚の画像対を含む大規模水中画像データセットを構築した。 UIEタスクに初めてトランスモデルを導入したU字型トランスを報告した。 コントラストと彩度をさらに向上するため、RGB, LAB, LCH色空間を組み合わせた新しいロス関数を設計した。
  論文  参考訳（メタデータ） (2021-11-23T13:15:56Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Wavelength-based Attributed Deep Neural Network for Underwater Image Restoration [9.378355457555319]
  本稿では,色チャネルの移動範囲に基づいて,適切な受容場サイズ(コンテキスト)を付与することで,大幅な性能向上が期待できることを示す。 第2の新規性として、学習したマルチコンテキスト特徴を適応的に洗練するための注意的スキップ機構を組み込んだ。 提案するフレームワークはDeep WaveNetと呼ばれ、従来のピクセル単位で機能ベースのコスト関数を使って最適化されている。
  論文  参考訳（メタデータ） (2021-06-15T06:47:51Z)
• Underwater Image Enhancement via Medium Transmission-Guided Multi-Color Space Embedding [88.46682991985907]
  本稿では,Ucolor と呼ばれる媒体透過誘導多色空間埋め込みによる水中画像強調ネットワークを提案する。 当社のネットワークは、複数の色空間を埋め込むことにより、水中画像の視覚的品質を効果的に改善できます。
  論文  参考訳（メタデータ） (2021-04-27T07:35:30Z)

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。