論文の概要: Wavelength-based Attributed Deep Neural Network for Underwater Image Restoration

• arxiv url: http://arxiv.org/abs/2106.07910v1
• Date: Tue, 15 Jun 2021 06:47:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-16 15:03:38.189705
• Title: Wavelength-based Attributed Deep Neural Network for Underwater Image Restoration
• Title（参考訳）: 波長依存型深層ニューラルネットワークによる水中画像復元
• Authors: Prasen Kumar Sharma, Ira Bisht, Arijit Sur
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.378355457555319
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater images, in general, suffer from low contrast and high color distortions due to the non-uniform attenuation of the light as it propagates through the water. In addition, the degree of attenuation varies with the wavelength resulting in the asymmetric traversing of colors. Despite the prolific works for underwater image restoration (UIR) using deep learning, the above asymmetricity has not been addressed in the respective network engineering. As the first novelty, this paper shows that attributing the right receptive field size (context) based on the traversing range of the color channel may lead to a substantial performance gain for the task of UIR. Further, it is important to suppress the irrelevant multi-contextual features and increase the representational power of the model. Therefore, as a second novelty, we have incorporated an attentive skip mechanism to adaptively refine the learned multi-contextual features. The proposed framework, called Deep WaveNet, is optimized using the traditional pixel-wise and feature-based cost functions. An extensive set of experiments have been carried out to show the efficacy of the proposed scheme over existing best-published literature on benchmark datasets. More importantly, we have demonstrated a comprehensive validation of enhanced images across various high-level vision tasks, e.g., underwater image semantic segmentation, and diver's 2D pose estimation. A sample video to exhibit our real-world performance is available at \url{https://www.youtube.com/watch?v=8qtuegBdfac}.
• Abstract（参考訳）: 水中画像は、一般的に低コントラストと高色の歪みに悩まされ、水中を伝播するにつれて光の均一な減衰が減少する。 加えて、減衰の度合いは波長によって変化し、色が非対称になる。 深層学習による水中画像復元(uir)は多岐にわたるが,これらの非対称性はネットワーク工学では解決されていない。 第1のノベルティとして,カラーチャネルのトラバース範囲に基づく右受容野サイズ(コンテキスト)の帰属は,uirのタスクにおいて実質的な性能向上をもたらす可能性があることを示す。 さらに、無関係なマルチコンテキストの特徴を抑え、モデルの表現力を高めることが重要である。 そこで,第2のノベルティとして,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に注意深い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。 ベンチマークデータセット上で、既存のベストパブリッシュ文献に対する提案手法の有効性を示すため、広範な実験が実施されている。 さらに,水中画像セマンティックセグメンテーションやダイバーの2次元ポーズ推定など,様々なハイレベルな視覚タスクにおける拡張画像の総合的検証を行った。 実世界のパフォーマンスを示すサンプルビデオは、 \url{https://www.youtube.com/watch?v=8qtuegbdfac}で見ることができる。

関連論文リスト

• 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)
• Semantic-aware Texture-Structure Feature Collaboration for Underwater Image Enhancement [58.075720488942125]
  水中画像の強調は海洋工学や水生ロボット工学において重要な技術として注目されている。 我々は,高レベルな意味認識事前学習モデルと協調して,効率的でコンパクトな拡張ネットワークを開発する。 また,提案手法を水中の有意な物体検出タスクに適用し,高レベルの視覚タスクに適した意味認識能力を明らかにする。
  論文  参考訳（メタデータ） (2022-11-19T07:50:34Z)
• 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)
• Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
  2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。 カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。 LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
  論文  参考訳（メタデータ） (2021-03-19T04:00:27Z)
• 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。