論文の概要: Uncertainty Inspired Underwater Image Enhancement

• arxiv url: http://arxiv.org/abs/2207.09689v1
• Date: Wed, 20 Jul 2022 06:42:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 13:37:45.986300
• Title: Uncertainty Inspired Underwater Image Enhancement
• Title（参考訳）: 不確実性による水中画像強調
• Authors: Zhenqi Fu, Wu Wang, Yue Huang, Xinghao Ding, Kai-Kuang Ma
• Abstract要約: 劣化した水中画像の強調分布を学習するための新しい確率的ネットワークを提案する。 拡張分布を学習することにより,参照マップラベリングで導入されたバイアスに対処できる。 実験結果から,本手法は可能な拡張予測のサンプリングを可能にすることが示された。
• 参考スコア（独自算出の注目度）: 45.05141499761876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A main challenge faced in the deep learning-based Underwater Image Enhancement (UIE) is that the ground truth high-quality image is unavailable. Most of the existing methods first generate approximate reference maps and then train an enhancement network with certainty. This kind of method fails to handle the ambiguity of the reference map. In this paper, we resolve UIE into distribution estimation and consensus process. We present a novel probabilistic network to learn the enhancement distribution of degraded underwater images. Specifically, we combine conditional variational autoencoder with adaptive instance normalization to construct the enhancement distribution. After that, we adopt a consensus process to predict a deterministic result based on a set of samples from the distribution. By learning the enhancement distribution, our method can cope with the bias introduced in the reference map labeling to some extent. Additionally, the consensus process is useful to capture a robust and stable result. We examined the proposed method on two widely used real-world underwater image enhancement datasets. Experimental results demonstrate that our approach enables sampling possible enhancement predictions. Meanwhile, the consensus estimate yields competitive performance compared with state-of-the-art UIE methods. Code available at https://github.com/zhenqifu/PUIE-Net.
• Abstract（参考訳）: 深層学習に基づく水中画像強調(UIE)で直面する主な課題は、真実の高品質な画像が利用できないことである。 既存の手法のほとんどは、まず近似参照マップを生成し、その後確実に拡張ネットワークを訓練する。 この種の方法は参照マップの曖昧さを処理できない。 本稿では,分布推定とコンセンサスプロセスにuieを分解する。 劣化した水中画像の強調分布を学習するための新しい確率的ネットワークを提案する。 具体的には,条件付き変分オートエンコーダと適応型インスタンス正規化を組み合わせて拡張分布を構築する。 その後、分布からのサンプルの集合に基づいて決定論的結果を予測するためのコンセンサスプロセスを採用する。 エンハンスメント分布を学習することにより,参照マップのラベル付けで導入されたバイアスにある程度対処することができる。 さらに、コンセンサスプロセスは、堅牢で安定した結果を得るのに役立つ。 提案手法を実世界の水中画像強調データセットを用いて検討した。 実験の結果,提案手法は拡張予測をサンプリングできることが判明した。 一方、コンセンサス推定は最先端のUIE手法と比較して競争性能が向上する。 コードはhttps://github.com/zhenqifu/puie-net。

関連論文リスト

• Rethinking Score Distillation as a Bridge Between Image Distributions [97.27476302077545]
  提案手法は, 劣化した画像(ソース)を自然画像分布(ターゲット)に転送することを目的としている。 本手法は,複数の領域にまたがって容易に適用可能であり,特殊な手法の性能のマッチングや評価を行うことができる。 テキストから2D、テキストベースのNeRF最適化、絵画を実画像に変換すること、光学錯視生成、および3Dスケッチから実画像に変換することにおいて、その実用性を実証する。
  論文  参考訳（メタデータ） (2024-06-13T17:59:58Z)
• Underwater Image Enhancement by Transformer-based Diffusion Model with Non-uniform Sampling for Skip Strategy [2.056162650908794]
  水中シーンにおける拡散モデルを用いた画像強調手法を提案する。 本手法は,条件付き拡散確率モデルに適応し,対応する拡張画像を生成する。 実験結果から,本手法は競争性能と高い効率を両立できることが示された。
  論文  参考訳（メタデータ） (2023-09-07T01:58:06Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
  高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。 我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。 提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-09-28T17:56:41Z)
• Uncertainty-aware Generalized Adaptive CycleGAN [44.34422859532988]
  unpaired image-to-image translationは、教師なしの方法で画像ドメイン間のマッピングを学ぶことを指す。 既存の手法はしばしば、外れ値への堅牢性や予測不確実性を明示的にモデル化せずに決定論的マッピングを学習する。 Uncertainty-aware Generalized Adaptive Cycle Consistency (UGAC) という新しい確率論的手法を提案する。
  論文  参考訳（メタデータ） (2021-02-23T15:22:35Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)

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。