論文の概要: Single Underwater Image Enhancement Using an Analysis-Synthesis Network
- arxiv url: http://arxiv.org/abs/2108.09023v1
- Date: Fri, 20 Aug 2021 06:29:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-23 13:38:14.304696
- Title: Single Underwater Image Enhancement Using an Analysis-Synthesis Network
- Title(参考訳): 解析合成ネットワークを用いた単一水中画像強調
- Authors: Zhengyong Wang, Liquan Shen, Mei Yu, Yufei Lin and Qiuyu Zhu
- Abstract要約: 水中画像強調のためのほとんどの深層モデルは、水中画像形成モデルに基づく合成データセットの訓練に頼っている。
新しい水中合成データセットが最初に確立され、改良された環境光合成方程式が組み込まれている。
ANA-SYNという名前の統一されたフレームワークは、事前情報とデータ情報の協調の下で、効果的に水中画像を強化することができる。
- 参考スコア(独自算出の注目度): 21.866940227491146
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Most deep models for underwater image enhancement resort to training on
synthetic datasets based on underwater image formation models. Although
promising performances have been achieved, they are still limited by two
problems: (1) existing underwater image synthesis models have an intrinsic
limitation, in which the homogeneous ambient light is usually randomly
generated and many important dependencies are ignored, and thus the synthesized
training data cannot adequately express characteristics of real underwater
environments; (2) most of deep models disregard lots of favorable underwater
priors and heavily rely on training data, which extensively limits their
application ranges. To address these limitations, a new underwater synthetic
dataset is first established, in which a revised ambient light synthesis
equation is embedded. The revised equation explicitly defines the complex
mathematical relationship among intensity values of the ambient light in RGB
channels and many dependencies such as surface-object depth, water types, etc,
which helps to better simulate real underwater scene appearances. Secondly, a
unified framework is proposed, named ANA-SYN, which can effectively enhance
underwater images under collaborations of priors (underwater domain knowledge)
and data information (underwater distortion distribution). The proposed
framework includes an analysis network and a synthesis network, one for priors
exploration and another for priors integration. To exploit more accurate
priors, the significance of each prior for the input image is explored in the
analysis network and an adaptive weighting module is designed to dynamically
recalibrate them. Meanwhile, a novel prior guidance module is introduced in the
synthesis network, which effectively aggregates the prior and data features and
thus provides better hybrid information to perform the more reasonable image
enhancement.
- Abstract(参考訳): 水中画像強調のためのほとんどの深層モデルは、水中画像形成モデルに基づく合成データセットの訓練に頼っている。
Although promising performances have been achieved, they are still limited by two problems: (1) existing underwater image synthesis models have an intrinsic limitation, in which the homogeneous ambient light is usually randomly generated and many important dependencies are ignored, and thus the synthesized training data cannot adequately express characteristics of real underwater environments; (2) most of deep models disregard lots of favorable underwater priors and heavily rely on training data, which extensively limits their application ranges.
これらの制限に対処するために、改良された環境光合成方程式を組み込んだ新しい水中合成データセットがまず確立された。
改訂された方程式は、RGBチャネルにおける周囲光の強度値と、表面オブジェクトの深さや水の種類などの多くの依存関係との間の複雑な数学的関係を明確に定義し、実際の水中のシーンの外観をシミュレートするのに役立つ。
第2に,先行(水中ドメイン知識)とデータ情報(水中歪み分布)の協調による水中画像の効果的向上が可能な統合フレームワークANA-SYNを提案する。
提案フレームワークは、分析ネットワークと合成ネットワークと、事前探索のためのものと、事前統合のためのものである。
より正確な事前情報を活用するために、解析ネットワークにおいて、入力画像の各先行画像の重要性を探索し、適応重み付けモジュールを動的に再分類するように設計する。
一方、合成ネットワークに新しい事前誘導モジュールを導入し、先行特徴とデータ特徴を効果的に集約し、より合理的な画像強調を行うためのより良いハイブリッド情報を提供する。
関連論文リスト
- Physics-Inspired Synthesized Underwater Image Dataset [9.959844922120528]
PHISWIDは、物理にインスパイアされた画像合成による水中画像処理の強化に適したデータセットである。
以上の結果から,PHISWIDでトレーニングを行う場合の基本的U-Netアーキテクチャでさえ,水中画像強調において既存の手法よりも大幅に優れていたことが判明した。
我々はPHISWIDを公開し、水中イメージング技術の進歩に重要なリソースを提供する。
論文 参考訳(メタデータ) (2024-04-05T10:23:10Z) - 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) - 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) - SyreaNet: A Physically Guided Underwater Image Enhancement Framework
Integrating Synthetic and Real Images [17.471353846746474]
水中画像強調(UIE)は高レベルの視覚関連水中作業に不可欠である。
合成データと実データの両方を統合するUIEのためのフレームワーク textitSyreaNet を提案する。
論文 参考訳(メタデータ) (2023-02-16T12:57:52Z) - 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) - DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。
アーキテクチャにはLSTMユニットが組み込まれ、各改善ステップを通じて情報を伝達する。
DeepRMは、2つの広く受け入れられている課題データセットで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-05-28T16:18:08Z) - Domain Adaptation for Underwater Image Enhancement [51.71570701102219]
本稿では,ドメイン間およびドメイン内ギャップを最小限に抑えるために,新しい2相水中ドメイン適応ネットワーク(TUDA)を提案する。
第1段階では、入力画像のリアリズムを強化する翻訳部と、拡張部とを含む新しい二重配向ネットワークを設計する。
第2フェーズでは、ランクベースの水中品質評価手法が組み込まれている強化画像の評価品質に応じて、実データを簡単に分類する。
論文 参考訳(メタデータ) (2021-08-22T06:38:19Z) - Shallow-UWnet : Compressed Model for Underwater Image Enhancement [0.0]
本論文では,パフォーマンスを保ち,最新モデルよりもパラメータが少ない,浅いニューラルネットワークアーキテクチャであるtextbfShallow-UWnetを提案する。
また,合成データセットと実世界のデータセットを組み合わせることで,モデルのベンチマークを行った。
論文 参考訳(メタデータ) (2021-01-06T14:49:29Z) - Perceptual underwater image enhancement with deep learning and physical
priors [35.37760003463292]
本稿では,2つの知覚強調モデルを提案する。
トレーニングデータの欠如により, 物理的先行とデータ駆動的手がかりを融合したハイブリッド水中画像合成モデルが提案され, トレーニングデータを合成する。
実験結果から,提案手法は実環境および合成水中データセット上でのいくつかの最先端手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2020-08-21T22:11:34Z) - 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) - Domain Adaptive Adversarial Learning Based on Physics Model Feedback for
Underwater Image Enhancement [10.143025577499039]
物理モデルに基づくフィードバック制御と,水中画像の高機能化のための領域適応機構を用いた,新しい頑健な対角学習フレームワークを提案する。
水中画像形成モデルを用いてRGB-Dデータから水中訓練データセットをシミュレーションする新しい手法を提案する。
合成および実水中画像の最終的な改良結果は,提案手法の優位性を示している。
論文 参考訳(メタデータ) (2020-02-20T07:50:00Z)
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。