論文の概要: Domain Adaptation for Underwater Image Enhancement

• arxiv url: http://arxiv.org/abs/2108.09650v1
• Date: Sun, 22 Aug 2021 06:38:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-24 15:46:28.343585
• Title: Domain Adaptation for Underwater Image Enhancement
• Title（参考訳）: 水中画像強調のための領域適応
• Authors: Zhengyong Wang, Liquan Shen, Mei Yu, Kun Wang, Yufei Lin and Mai Xu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 51.71570701102219
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recently, learning-based algorithms have shown impressive performance in underwater image enhancement. Most of them resort to training on synthetic data and achieve outstanding performance. However, these methods ignore the significant domain gap between the synthetic and real data (i.e., interdomain gap), and thus the models trained on synthetic data often fail to generalize well to real underwater scenarios. Furthermore, the complex and changeable underwater environment also causes a great distribution gap among the real data itself (i.e., intra-domain gap). However, almost no research focuses on this problem and thus their techniques often produce visually unpleasing artifacts and color distortions on various real images. Motivated by these observations, we propose a novel Two-phase Underwater Domain Adaptation network (TUDA) to simultaneously minimize the inter-domain and intra-domain gap. Concretely, a new dual-alignment network is designed in the first phase, including a translation part for enhancing realism of input images, followed by an enhancement part. With performing image-level and feature-level adaptation in two parts by jointly adversarial learning, the network can better build invariance across domains and thus bridge the inter-domain gap. In the second phase, we perform an easy-hard classification of real data according to the assessed quality of enhanced images, where a rank-based underwater quality assessment method is embedded. By leveraging implicit quality information learned from rankings, this method can more accurately assess the perceptual quality of enhanced images. Using pseudo labels from the easy part, an easy-hard adaptation technique is then conducted to effectively decrease the intra-domain gap between easy and hard samples.
• Abstract（参考訳）: 近年,水中画像強調において,学習に基づくアルゴリズムの性能が顕著に向上している。 多くは合成データのトレーニングに頼り、優れたパフォーマンスを達成する。 しかし、これらの手法は合成データと実際の領域間ギャップ(すなわち、ドメイン間ギャップ)を無視するので、合成データで訓練されたモデルは実際の水中シナリオによく当てはまらないことが多い。 さらに、複雑で変更可能な水中環境は、実際のデータ自身(すなわちドメイン内ギャップ)の間で大きな分散ギャップを引き起こす。 しかし、この問題に焦点をあてる研究はほとんどなく、それらの技術は様々な実画像に視覚的に無害なアーティファクトや色歪みをもたらすことが多い。 これらの観測により,ドメイン間およびドメイン内ギャップを最小化する新しい2相水中ドメイン適応ネットワーク(TUDA)を提案する。 具体的には、入力画像のリアリズムを強化する翻訳部と、拡張部とを含む第1フェーズに、新たなデュアルアライメントネットワークを設計する。 画像レベルと特徴レベルを2つの部分で比較学習することにより、ネットワークはドメイン間の不変性を向上し、ドメイン間のギャップを橋渡しすることができる。 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。 ランキングから学習した暗黙の品質情報を活用することで、強調画像の知覚品質をより正確に評価することができる。 簡単な部分からの擬似ラベルを用いて、容易かつハードなサンプル間のドメイン内ギャップを効果的に低減する、容易かつハードな適応技術を行う。

関連論文リスト

• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。 特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。 拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• 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)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• 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)
• Domain Adaptation for Underwater Image Enhancement via Content and Style Separation [7.077978580799124]
  水中画像は、カラーキャスト、低コントラスト、光吸収、屈折、散乱によるハジー効果に悩まされている。 近年の学習に基づく手法は水中画像の強調に驚くべき性能を示した。 本稿では,コンテンツとスタイル分離による水中画像強調のためのドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-17T09:30:29Z)
• Two-Step Image Dehazing with Intra-domain and Inter-domain Adaption [9.13515529835267]
  本稿では,ドメイン内ギャップとドメイン間ギャップを最小限に抑えるために,新しい2段階デハージングネットワーク(TSDN)を提案する。 我々のフレームワークは、合成データセットと実際のデータセットの両方で最先端のアルゴリズムに対して好意的に機能する。
  論文  参考訳（メタデータ） (2021-02-06T04:02:14Z)
• Phase Consistent Ecological Domain Adaptation [76.75730500201536]
  意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。 視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。 第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
  論文  参考訳（メタデータ） (2020-04-10T06:58:03Z)
• Domain Decluttering: Simplifying Images to Mitigate Synthetic-Real Domain Shift and Improve Depth Estimation [16.153683223016973]
  本研究では,実際の画像における領域外領域の特定と削除を学習するアテンションモジュールを開発する。 削除された領域を視覚化することで、合成と実際のドメインギャップに関する解釈可能な洞察が得られる。
  論文  参考訳（メタデータ） (2020-02-27T14:28:56Z)
• CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
  教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。 本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-09T19:00:35Z)

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。