論文の概要: Underwater Image Enhancement via Medium Transmission-Guided Multi-Color Space Embedding

• arxiv url: http://arxiv.org/abs/2104.13015v1
• Date: Tue, 27 Apr 2021 07:35:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-28 13:29:21.975303
• Title: Underwater Image Enhancement via Medium Transmission-Guided Multi-Color Space Embedding
• Title（参考訳）: 媒体伝送誘導多色空間埋め込みによる水中画像強調
• Authors: Chongyi Li and Saeed Anwar and Junhui Hou and Runmin Cong and Chunle Guo and Wenqi Ren
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 88.46682991985907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater images suffer from color casts and low contrast due to wavelength- and distance-dependent attenuation and scattering. To solve these two degradation issues, we present an underwater image enhancement network via medium transmission-guided multi-color space embedding, called Ucolor. Concretely, we first propose a multi-color space encoder network, which enriches the diversity of feature representations by incorporating the characteristics of different color spaces into a unified structure. Coupled with an attention mechanism, the most discriminative features extracted from multiple color spaces are adaptively integrated and highlighted. Inspired by underwater imaging physical models, we design a medium transmission (indicating the percentage of the scene radiance reaching the camera)-guided decoder network to enhance the response of the network towards quality-degraded regions. As a result, our network can effectively improve the visual quality of underwater images by exploiting multiple color spaces embedding and the advantages of both physical model-based and learning-based methods. Extensive experiments demonstrate that our Ucolor achieves superior performance against state-of-the-art methods in terms of both visual quality and quantitative metrics.
• Abstract（参考訳）: 水中画像は波長と距離依存性の減衰と散乱のため、カラーキャストと低コントラストに苦しむ。 これら2つの劣化問題を解決するため,Ucolorと呼ばれる中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。 具体的には,まず,異なる色空間の特性を統一構造に取り入れ,特徴表現の多様性を高めるマルチカラー空間エンコーダネットワークを提案する。 注意機構と組み合わせることで、複数の色空間から抽出された最も識別的な特徴を適応的に統合して強調する。 水中イメージング物理モデルに着想を得て,ネットワークの質劣化領域への応答性を高めるために,メディア伝送(カメラに到達したシーンの放射率の比率を示す)を導出するデコーダネットワークを設計する。 その結果,複数色空間の埋め込みと物理モデルベースおよび学習ベース手法の利点を活かして,水中画像の視覚的品質を効果的に向上できることがわかった。 広範な実験により,我々のucolorは,視覚品質と定量的指標の両方において最先端の手法に対して優れた性能を達成できることが証明された。

関連論文リスト

• FDCE-Net: Underwater Image Enhancement with Embedding Frequency and Dual Color Encoder [49.79611204954311]
  水中画像は、低明度、色の変化、ぼやけた詳細、吸光光によるノイズ、水や懸濁粒子による散乱などの様々な問題に悩まされることが多い。 従来の水中画像強調法(UIE)は主に空間領域の強調に焦点を当てており、画像固有の周波数領域情報を無視している。
  論文  参考訳（メタデータ） (2024-04-27T15:16:34Z)
• Dual Adversarial Resilience for Collaborating Robust Underwater Image Enhancement and Perception [54.672052775549]
  本研究では,水中画像の強調と検出を行うために,CARNetと呼ばれる協調的対向レジリエンスネットワークを導入する。 本稿では,ネットワークが様々な種類の攻撃を識別・除去できるように,視覚駆動型と知覚駆動型の両方による同時攻撃訓練戦略を提案する。 実験により,提案手法は画像の高画質化を図り,最先端の手法よりも平均6.71%高い検出精度が得られた。
  論文  参考訳（メタデータ） (2023-09-03T06:52:05Z)
• Transmission and Color-guided Network for Underwater Image Enhancement [8.894719412298397]
  水中画像強調のための適応透過・動的カラー誘導ネットワーク(ATDCnet)を提案する。 物理の知識を生かして,適応型トランスミッション指向モジュール(ATM)を設計し,ネットワークをより良く誘導する。 色偏差問題に対処するため,強調画像色を後処理する動的色誘導モジュール (DCM) を設計した。
  論文  参考訳（メタデータ） (2023-08-09T11:43:54Z)
• 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)
• Dif-Fusion: Towards High Color Fidelity in Infrared and Visible Image Fusion with Diffusion Models [54.952979335638204]
  本稿では,Dif-Fusionと呼ばれる拡散モデルを用いて,マルチチャネル入力データの分布を生成する手法を提案する。 我々の手法は、特にカラー忠実度において、他の最先端画像融合法よりも効果的である。
  論文  参考訳（メタデータ） (2023-01-19T13:37:19Z)
• A Wavelet-based Dual-stream Network for Underwater Image Enhancement [11.178274779143209]
  水中画像のカラーキャストやぼやけた細部に対処するウェーブレットベースのデュアルストリームネットワークを提案する。 離散ウェーブレット変換を用いて、入力画像を複数の周波数帯域に分解することで、これらのアーティファクトを別々に処理する。 提案手法を実環境および合成水中データセットの両方で検証し,計算複雑性の低い色補正およびぼかし除去におけるモデルの有効性を示した。
  論文  参考訳（メタデータ） (2022-02-17T16:57:25Z)
• 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)
• Single Image Deraining via Scale-space Invariant Attention Neural Network [58.5284246878277]
  我々は,カメラに対するレインステーキの外観の視覚的変化に対処するスケールの概念に取り組む。 本稿では,画素領域よりもコンパクトでロバストな畳み込み特徴領域のマルチスケール相関を表現することを提案する。 このようにして、機能マップの最も活発な存在を、有能な特徴として要約する。
  論文  参考訳（メタデータ） (2020-06-09T04:59:26Z)
• MLFcGAN: Multi-level Feature Fusion based Conditional GAN for Underwater Image Color Correction [35.16835830904171]
  水中画像色補正のための条件付き生成逆数ネットワーク(GAN)に基づく深層マルチスケール機能融合ネットを提案する。 ネットワーク上では,まずマルチスケールの特徴を抽出し,各スケールの局所的特徴をグローバルな特徴で拡張する。 この設計は、より効率的で高速なネットワーク学習を促進するために検証され、色補正とディテール保存の両方の性能が向上した。
  論文  参考訳（メタデータ） (2020-02-13T04:15:10Z)

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。