論文の概要: Underwater enhancement based on a self-learning strategy and attention
mechanism for high-intensity regions
- arxiv url: http://arxiv.org/abs/2208.03319v1
- Date: Thu, 4 Aug 2022 19:55:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 13:55:12.303818
- Title: Underwater enhancement based on a self-learning strategy and attention
mechanism for high-intensity regions
- Title（参考訳）: 高強度領域における自己学習戦略と注意機構に基づく水中強化
- Authors: Claudio D. Mello Jr., Bryan U. Moreira, Paulo J. O. Evald, Paulo L.
Drews Jr., Silvia S. Botelho
- Abstract要約: 水中活動中に取得した画像は、濁度や光の減衰などの水の環境特性に悩まされる。
水中画像の強化に関する最近の研究と深層学習のアプローチに基づき、合成地下構造を生成する組合わせデータセットの欠如に対処する。
本稿では,ペアデータセットを必要としない深層学習に基づく水中画像強調のための自己教師付き学習手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Images acquired during underwater activities suffer from environmental
properties of the water, such as turbidity and light attenuation. These
phenomena cause color distortion, blurring, and contrast reduction. In
addition, irregular ambient light distribution causes color channel unbalance
and regions with high-intensity pixels. Recent works related to underwater
image enhancement, and based on deep learning approaches, tackle the lack of
paired datasets generating synthetic ground-truth. In this paper, we present a
self-supervised learning methodology for underwater image enhancement based on
deep learning that requires no paired datasets. The proposed method estimates
the degradation present in underwater images. Besides, an autoencoder
reconstructs this image, and its output image is degraded using the estimated
degradation information. Therefore, the strategy replaces the output image with
the degraded version in the loss function during the training phase. This
procedure \textit{misleads} the neural network that learns to compensate the
additional degradation. As a result, the reconstructed image is an enhanced
version of the input image. Also, the algorithm presents an attention module to
reduce high-intensity areas generated in enhanced images by color channel
unbalances and outlier regions. Furthermore, the proposed methodology requires
no ground-truth. Besides, only real underwater images were used to train the
neural network, and the results indicate the effectiveness of the method in
terms of color preservation, color cast reduction, and contrast improvement.
- Abstract（参考訳）: 水中活動中に取得した画像は、濁度や光減衰などの水の環境特性に悩まされる。
これらの現象は色歪み、ぼやけ、コントラスト減少を引き起こす。
さらに、不規則な周囲光の分布は、色チャネルのアンバランスと高強度画素の領域を引き起こす。
近年の水中画像強調や深層学習に基づく研究では、合成地対を生成するペアデータセットの欠如に対処している。
本稿では,組付きデータセットを必要としない深層学習に基づく水中画像強調のための自己教師あり学習手法を提案する。
提案手法は水中画像中の劣化を推定する。
さらに、オートエンコーダがこの画像を再構成し、推定劣化情報を用いて出力画像を劣化させる。
したがって、この戦略は、トレーニングフェーズ中の損失関数において、出力イメージを劣化バージョンに置き換える。
この手順 \textit{misleads} 追加の劣化を補償するために学習するニューラルネットワーク。
その結果、再構成画像は入力画像の強化版となる。
また,色チャネルアンバランスと外乱領域によって強調画像に生じる高強度領域を低減させるアテンションモジュールも提案する。
さらに,提案手法は根拠を必要としない。
また,実際の水中画像のみを用いてニューラルネットワークを訓練し,色保存,カラーキャスト低減,コントラスト改善の観点から,本手法の有効性を示した。
関連論文リスト
- Underwater Image Enhancement via Dehazing and Color Restoration [17.263563715287045]
既存の水中画像強調法は、ヘイズとカラーキャストを統一的な劣化過程として扱う。
水中画像の品質を向上させるために,視覚トランス (ViT) ベースのネットワーク (WaterFormer と呼ぶ) を提案する。
論文 参考訳（メタデータ） (2024-09-15T15:58:20Z) - 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) - 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) - 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) - LLDiffusion: Learning Degradation Representations in Diffusion Models
for Low-Light Image Enhancement [118.83316133601319]
現在の低照度画像強調(LLIE)の深層学習法は、通常、ペア化されたデータから学んだピクセルワイドマッピングに依存している。
本稿では,拡散モデルを用いたLLIEの劣化認識学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-27T07:22:51Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z) - 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) - Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。
カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。
LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
論文 参考訳（メタデータ） (2021-03-19T04:00:27Z) - Underwater image enhancement with Image Colorfulness Measure [7.292965806774365]
トレーニング可能なエンドツーエンドニューラルモデルである新しいエンハンスメントモデルを提案する。
より詳細に、コントラストとカラフルネスのために、この拡張ネットワークはピクセルレベルと特性レベルのトレーニング基準によって共同で最適化されている。
論文 参考訳（メタデータ） (2020-04-18T12:44:57Z) - 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。