論文の概要: Underwater Light Field Retention : Neural Rendering for Underwater
Imaging
- arxiv url: http://arxiv.org/abs/2203.11006v1
- Date: Mon, 21 Mar 2022 14:22:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 17:26:25.726578
- Title: Underwater Light Field Retention : Neural Rendering for Underwater
Imaging
- Title(参考訳): 水中光フィールド保持 : 水中イメージングのためのニューラルレンダリング
- Authors: Tian Ye and Sixiang Chen and Yun Liu and Erkang Chen and Yi Ye and
Yuche Li
- Abstract要約: 水中画像レンダリングは、指定されたクリーンな画像から本物の水中画像を生成することを目的としている。
本稿では,UWNR(Underwater Neural Rendering)と呼ばれる水中画像のニューラルネットワークレンダリング手法を提案する。
- 参考スコア(独自算出の注目度): 6.22867695581195
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underwater Image Rendering aims to generate a true-to-life underwater image
from a given clean one, which could be applied to various practical
applications such as underwater image enhancement, camera filter, and virtual
gaming. We explore two less-touched but challenging problems in underwater
image rendering, namely, i) how to render diverse underwater scenes by a single
neural network? ii) how to adaptively learn the underwater light fields from
natural exemplars, \textit{i,e.}, realistic underwater images? To this end, we
propose a neural rendering method for underwater imaging, dubbed UWNR
(Underwater Neural Rendering). Specifically, UWNR is a data-driven neural
network that implicitly learns the natural degenerated model from authentic
underwater images, avoiding introducing erroneous biases by hand-craft imaging
models.
Compared with existing underwater image generation methods, UWNR utilizes the
natural light field to simulate the main characteristics of the underwater
scene. Thus, it is able to synthesize a wide variety of underwater images from
one clean image with various realistic underwater images.
Extensive experiments demonstrate that our approach achieves better visual
effects and quantitative metrics over previous methods. Moreover, we adopt UWNR
to build an open Large Neural Rendering Underwater Dataset containing various
types of water quality, dubbed LNRUD.
- Abstract(参考訳): 水中画像レンダリングは、水中画像強調、カメラフィルター、バーチャルゲームなど、さまざまな実用用途に適用可能な、クリーンな水中画像から真に生き生きとした水中画像を生成することを目的としている。
水中画像のレンダリングにおける2つの難解な問題、すなわち課題について検討する。
一 一つのニューラルネットワークで 多様な水中シーンをレンダリングする方法?
ii) 自然の例から水中の光場を適応的に学習する方法, \textit{i,e。
水中のリアルなイメージ?
そこで本研究では,水中イメージングのためのニューラルレンダリング手法であるuwnr(underwater neural rendering)を提案する。
具体的には、uwnrはデータ駆動ニューラルネットワークであり、本物の水中画像から自然に生成されたモデルを暗黙的に学習する。
既存の水中画像生成法と比較して,UWNRは自然光場を利用して水中シーンの主特性をシミュレートする。
これにより、1つのクリーン画像から様々な水中画像と様々なリアルな水中画像とを合成することができる。
広範な実験により,従来の手法よりも優れた視覚効果と定量的指標が得られた。
さらに,UWNRを採用し,LNRUDと呼ばれる様々な水質を含む大規模ニューラルネットワーク水中データセットを構築する。
関連論文リスト
- Physics Informed and Data Driven Simulation of Underwater Images via
Residual Learning [5.095097384893417]
一般的に水中の画像は、光が水中を伝播するにつれて減衰し後方散乱するため、色歪みと低コントラストに悩まされる。
既存の単純な劣化モデル(大気画像の「ヘイジング」効果に似ている)は水中画像の劣化を適切に表現するには不十分である。
水中効果を自動的にシミュレートする深層学習型アーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-02-07T21:53:28Z) - 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) - A deep learning approach for marine snow synthesis and removal [55.86191108738564]
本稿では,深層学習技術を用いた海洋雪の干渉低減手法を提案する。
まず,GAN(Generative Adversarial Network)モデルを用いて,現実的な積雪サンプルを合成する。
次に、画像から画像への変換タスクとして海洋性除雪を行うためにU-Netモデルを訓練する。
論文 参考訳(メタデータ) (2023-11-27T07:19:41Z) - 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) - Hybrid Neural Rendering for Large-Scale Scenes with Motion Blur [68.24599239479326]
画像ベース表現とニューラル3D表現を結合して高品質なビュー一貫性のある画像をレンダリングするハイブリッドなニューラルレンダリングモデルを開発した。
我々のモデルは、新しいビュー合成のための最先端のポイントベース手法を超越している。
論文 参考訳(メタデータ) (2023-04-25T08:36:33Z) - 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) - WaterNeRF: Neural Radiance Fields for Underwater Scenes [6.161668246821327]
我々は、物理インフォームド深度推定と色補正を可能にするために、ニューラルレイディアンス場(NeRF)の最先端技術を進めた。
提案手法であるWaterNeRFは,水中画像形成のための物理モデルを用いてパラメータを推定する。
劣化した画像と修正された水中画像と、シーンの深い深さの新たなビューを作成できる。
論文 参考訳(メタデータ) (2022-09-27T00:53:26Z) - Medium Transmission Map Matters for Learning to Restore Real-World
Underwater Images [3.0980025155565376]
画像強調を支援するためのガイダンスとしてメディア送信マップを導入する。
提案手法は,既存のモデルより30倍高速なテストR90において,22.6dBの高度な結果が得られる。
論文 参考訳(メタデータ) (2022-03-17T16:13:52Z) - NeRS: Neural Reflectance Surfaces for Sparse-view 3D Reconstruction in
the Wild [80.09093712055682]
ニューラルリフレクタンスサーフェス(NeRS)と呼ばれる暗黙モデルの表面アナログを導入する。
NeRSは、球に微分される閉じた表面の神経形状の表現を学び、水密な再構成を保証する。
このようなデータから学習可能な表面ベースニューラル再構成は,体積的ニューラルレンダリングに基づく再構成よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-10-14T17:59:58Z) - Underwater Image Restoration via Contrastive Learning and a Real-world
Dataset [59.35766392100753]
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。
論文 参考訳(メタデータ) (2021-06-20T16:06:26Z) - Deep Sea Robotic Imaging Simulator [6.2122699483618]
海洋の最大の部分である深海は、現在もほとんど未調査のままである。
深海画像は浅い海域で撮影された画像とは大きく異なり、この地域はコミュニティからはあまり注目されなかった。
本稿では,空気中のテクスチャと深度情報を入力として利用する物理モデルに基づく画像シミュレーションソリューションを提案する。
論文 参考訳(メタデータ) (2020-06-27T16:18:32Z)
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。