論文の概要: Underwater Image Restoration via Contrastive Learning and a Real-world Dataset

• arxiv url: http://arxiv.org/abs/2106.10718v1
• Date: Sun, 20 Jun 2021 16:06:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-22 15:17:24.891095
• Title: Underwater Image Restoration via Contrastive Learning and a Real-world Dataset
• Title（参考訳）: コントラスト学習と実世界データセットによる水中画像復元
• Authors: Junlin Han, Mehrdad Shoeiby, Tim Malthus, Elizabeth Botha, Janet Anstee, Saeed Anwar, Ran Wei, Mohammad Ali Armin, Hongdong Li, Lars Petersson
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 59.35766392100753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater image restoration is of significant importance in unveiling the underwater world. Numerous techniques and algorithms have been developed in the past decades. However, due to fundamental difficulties associated with imaging/sensing, lighting, and refractive geometric distortions, in capturing clear underwater images, no comprehensive evaluations have been conducted of underwater image restoration. To address this gap, we have constructed a large-scale real underwater image dataset, dubbed `HICRD' (Heron Island Coral Reef Dataset), for the purpose of benchmarking existing methods and supporting the development of new deep-learning based methods. We employ accurate water parameter (diffuse attenuation coefficient) in generating reference images. There are 2000 reference restored images and 6003 original underwater images in the unpaired training set. Further, we present a novel method for underwater image restoration based on unsupervised image-to-image translation framework. Our proposed method leveraged contrastive learning and generative adversarial networks to maximize the mutual information between raw and restored images. Extensive experiments with comparisons to recent approaches further demonstrate the superiority of our proposed method. Our code and dataset are publicly available at GitHub.
• Abstract（参考訳）: 水中画像の復元は、水中の世界を明らかにする上で非常に重要である。 過去数十年で多くの技術とアルゴリズムが開発されてきた。 しかし、画像・センシング、照明、屈折幾何学的歪みに関する根本的な困難さから、鮮明な水中画像の撮影には包括的な評価は行われていない。 このギャップに対処するため,我々は,既存の手法をベンチマークし,新たな深層学習手法の開発を支援するため,HICRD(Heron Island Coral Reef Dataset)と呼ばれる大規模水中画像データセットを構築した。 参照画像の生成には正確な水パラメータ(拡散減衰係数)を用いる。 未完成の訓練セットには2000点の復元画像と6003点のオリジナル水中画像がある。 さらに,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,原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。 最近の手法との比較による広範な実験により,提案手法の優越性がさらに証明された。 コードとデータセットはGitHubで公開されています。

関連論文リスト

• Atlantis: Enabling Underwater Depth Estimation with Stable Diffusion [30.122666238416716]
  正確な地球深度データを用いて水中画像を生成する新しいパイプラインを提案する。 このアプローチは、水中深度推定のための教師付きモデルのトレーニングを容易にする。 我々は、特別に作成された水中、深度、テキストデータ三重項に基づいて訓練された独自のDepth2Underwater ControlNetを導入する。
  論文  参考訳（メタデータ） (2023-12-19T08:56:33Z)
• 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)
• 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)
• Underwater enhancement based on a self-learning strategy and attention mechanism for high-intensity regions [0.0]
  水中活動中に取得した画像は、濁度や光の減衰などの水の環境特性に悩まされる。 水中画像の強化に関する最近の研究と深層学習のアプローチに基づき、合成地下構造を生成する組合わせデータセットの欠如に対処する。 本稿では,ペアデータセットを必要としない深層学習に基づく水中画像強調のための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2022-08-04T19:55:40Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Towards Unpaired Depth Enhancement and Super-Resolution in the Wild [121.96527719530305]
  最先端のデータ駆動による深度マップの超解像法は、同じシーンの低解像度と高解像度の深度マップの登録ペアに依存している。 未経験データからの学習に基づく深度マップの強化について考察する。
  論文  参考訳（メタデータ） (2021-05-25T16:19:16Z)
• Single Underwater Image Restoration by Contrastive Learning [23.500647404118638]
  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の最先端化を実現する新しい手法について詳述する。 本手法は,原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対向ネットワークを利用して設計する。
  論文  参考訳（メタデータ） (2021-03-17T14:47:03Z)
• Underwater image filtering: methods, datasets and evaluation [44.933577173776705]
  水中画像フィルタリング法の設計原理を概観する。 各種水系における画像形成モデルと復元方法の結果について検討する。 ニューラルネットワークのトレーニングや手法評価のためのタスク依存型強化手法とデータセットを提案する。
  論文  参考訳（メタデータ） (2020-12-22T18:56:39Z)

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。