論文の概要: UID2021: An Underwater Image Dataset for Evaluation of No-reference
Quality Assessment Metrics
- arxiv url: http://arxiv.org/abs/2204.08813v1
- Date: Tue, 19 Apr 2022 11:28:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-20 14:42:54.311653
- Title: UID2021: An Underwater Image Dataset for Evaluation of No-reference
Quality Assessment Metrics
- Title(参考訳): uid2021: 非参照品質評価指標評価のための水中画像データセット
- Authors: Guojia Hou, Yuxuan Li, Huan Yang, Kunqian Li, Zhenkuan Pan
- Abstract要約: 水中画像品質評価(UIQA)は水中の視覚知覚と画像/映像処理において重要である。
この問題に対処するため、非参照UIQAメトリクスを評価するために、UID 2021と呼ばれる大規模な水中画像データセットを構築した。
構築されたデータセットは、様々なソースから収集された60個の多重分解水中画像を含み、6つの一般的な水中シーンをカバーしている。
- 参考スコア(独自算出の注目度): 11.570496045891465
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Achieving subjective and objective quality assessment of underwater images is
of high significance in underwater visual perception and image/video
processing. However, the development of underwater image quality assessment
(UIQA) is limited for the lack of comprehensive human subjective user study
with publicly available dataset and reliable objective UIQA metric. To address
this issue, we establish a large-scale underwater image dataset, dubbed
UID2021, for evaluating no-reference UIQA metrics. The constructed dataset
contains 60 multiply degraded underwater images collected from various sources,
covering six common underwater scenes (i.e. bluish scene, bluish-green scene,
greenish scene, hazy scene, low-light scene, and turbid scene), and their
corresponding 900 quality improved versions generated by employing fifteen
state-of-the-art underwater image enhancement and restoration algorithms. Mean
opinion scores (MOS) for UID2021 are also obtained by using the pair comparison
sorting method with 52 observers. Both in-air NR-IQA and underwater-specific
algorithms are tested on our constructed dataset to fairly compare the
performance and analyze their strengths and weaknesses. Our proposed UID2021
dataset enables ones to evaluate NR UIQA algorithms comprehensively and paves
the way for further research on UIQA. Our UID2021 will be a free download and
utilized for research purposes at: https://github.com/Hou-Guojia/UID2021.
- Abstract(参考訳): 水中画像の主観的・客観的品質評価は、水中視覚知覚と画像/映像処理において重要である。
しかし, 水中画像品質評価(UIQA)の開発は, 一般公開データセットと信頼性の高い客観的UIQA測定値による包括的人間主観的ユーザスタディの欠如によって制限されている。
この問題に対処するため,我々は,非参照uiqaメトリクスを評価するための大規模水中画像データセット uid2021 を構築した。
6つの一般的な水中シーン(青みがかったシーン、青みがかった緑のシーン、緑がかったシーン、ぼろぼろのシーン、暗いシーン、濁ったシーン)をカバーする、さまざまなソースから収集された60の分解された水中イメージと、それに対応する900のクオリティ改善バージョンが15の最先端水中画像拡張および復元アルゴリズムを使用して生成されている。
UID2021の平均世論スコア(MOS)も52人の観測者に対してペア比較ソート法を用いて得られる。
大気中のNR-IQAと水中固有のアルゴリズムの両方を、構築したデータセット上でテストし、性能を正確に比較し、その強度と弱点を分析する。
提案したUID2021データセットにより、NR UIQAアルゴリズムを包括的に評価し、UIQAのさらなる研究の道を開くことができる。
uid2021は無償でダウンロードされ、研究目的に利用されます。
関連論文リスト
- AIGIQA-20K: A Large Database for AI-Generated Image Quality Assessment [54.93996119324928]
AIGIQA-20Kとして知られる2万のAIGIと420,000の主観評価を備えた、これまでで最大のAIGI主観的品質データベースを作成します。
このデータベース上でベンチマーク実験を行い、16の主流AIGI品質モデルと人間の知覚との対応性を評価する。
論文 参考訳(メタデータ) (2024-04-04T12:12:24Z) - MuLA-GAN: Multi-Level Attention GAN for Enhanced Underwater Visibility [1.9272863690919875]
本稿では,総合的な水中画像強調のためのGAN(Geneversarative Adrial Networks)とマルチレベルアテンション機構の相乗効果を利用した新しいアプローチであるMuLA-GANを紹介する。
本モデルは,水中画像の複雑な細部を捉え保存することに優れており,様々な用途に欠かせない。
この研究は、水中画像の強調における重要な研究ギャップに対処するだけでなく、GANの強化におけるマルチレベル注意の重要性を浮き彫りにしている。
論文 参考訳(メタデータ) (2023-12-25T07:33:47Z) - Improving Underwater Visual Tracking With a Large Scale Dataset and
Image Enhancement [70.2429155741593]
本稿では,水中ビジュアルオブジェクト追跡(UVOT)のための新しいデータセットと汎用トラッカ拡張手法を提案する。
水中環境は、一様でない照明条件、視界の低さ、鋭さの欠如、コントラストの低さ、カモフラージュ、懸濁粒子からの反射を示す。
本研究では,追尾品質の向上に特化して設計された水中画像強調アルゴリズムを提案する。
この手法により、最先端(SOTA)ビジュアルトラッカーの最大5.0%のAUCの性能が向上した。
論文 参考訳(メタデータ) (2023-08-30T07:41:26Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳(メタデータ) (2023-08-24T12:32:46Z) - A Dataset with Multibeam Forward-Looking Sonar for Underwater Object
Detection [0.0]
マルチビーム前方ソナー (MFLS) は水中検出において重要な役割を担っている。
MFLSを用いた水中物体検出の研究にはいくつかの課題がある。
本稿では,Tritech Gemini 1200ikソナーを用いて,9000枚以上のMFLS画像からなる新しいデータセットを提案する。
論文 参考訳(メタデータ) (2022-12-01T08:26:03Z) - UIF: An Objective Quality Assessment for Underwater Image Enhancement [17.145844358253164]
水中画像の客観的評価のための水中画像忠実度(UIF)指標を提案する。
これらの画像の統計的特徴を利用して,自然度,鋭度,構造的特徴を抽出する。
実験の結果,提案したUIFは水中および汎用画像品質指標より優れていたことが確認された。
論文 参考訳(メタデータ) (2022-05-19T08:43:47Z) - Confusing Image Quality Assessment: Towards Better Augmented Reality
Experience [96.29124666702566]
我々はAR技術を仮想シーンと実シーンの重ね合わせとみなし、視覚的混乱を基本的な理論として紹介する。
ConFusing Image Quality Assessment (CFIQA)データベースが構築され、600個の参照画像と300個の歪画像とをペアに混合して生成する。
また、難解な画像品質をよりよく評価するために、CFIQAと呼ばれる客観的な計量も提案されている。
論文 参考訳(メタデータ) (2022-04-11T07:03:06Z) - 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) - Object Detection in Aerial Images: A Large-Scale Benchmark and
Challenges [124.48654341780431]
航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。
提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。
70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
論文 参考訳(メタデータ) (2021-02-24T11:20:55Z) - A Benchmark dataset for both underwater image enhancement and underwater
object detection [34.25890702670983]
境界ボックスアノテーションと高品質な参照画像の両方を用いた大規模水中物体検出データセットを提供する。
OUCデータセットは、水中物体検出タスクにおける水中画像強調アルゴリズムの影響を包括的に研究するためのプラットフォームを提供する。
論文 参考訳(メタデータ) (2020-06-29T03:12:50Z) - Simultaneous Enhancement and Super-Resolution of Underwater Imagery for
Improved Visual Perception [17.403133838762447]
水中ロボットの視力向上と超高分解能化(SESR)を同時に行う。
本稿では,2倍,3倍,あるいは4倍の空間分解能で知覚的画質の復元を学習できる残差ネットワークベース生成モデルであるDeep SESRを提案する。
論文 参考訳(メタデータ) (2020-02-04T07:07:08Z)
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。