論文の概要: Removing fluid lensing effects from spatial images

• arxiv url: http://arxiv.org/abs/2211.07648v1
• Date: Mon, 14 Nov 2022 08:14:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 14:00:00.766732
• Title: Removing fluid lensing effects from spatial images
• Title（参考訳）: 空間画像からの流体レンズ効果の除去
• Authors: Greg Sabella
• Abstract要約: 浅海と沿岸の水生生態系は、地球の気候変動と生物多様性を規制し理解する上で重要な役割を担っている。 しかし、リモートセンシング(ドローン、UAV、衛星)に使用される技術は、これらの生態系の詳細な画像を作成することはできない。 これらの効果のほとんどを除去し、より明確なより安定した画像を生成することができる概念モデルの実証が開発された。
• 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: Shallow water and coastal aquatic ecosystems such as coral reefs and seagrass meadows play a critical role in regulating and understanding Earth's changing climate and biodiversity. They also play an important role in protecting towns and cities from erosion and storm surges. Yet technology used for remote sensing (drones, UAVs, satellites) cannot produce detailed images of these ecosystems. Fluid lensing effects, the distortions caused by surface waves and light on underwater objects, are what makes the remote sensing of these ecosystems a very challenging task. Using machine learning, a proof of concept model was developed that is able to remove most of these effects and produce a clearer more stable image.
• Abstract（参考訳）: サンゴ礁や海草の草原のような浅瀬や沿岸の水生生態系は、地球の気候や生物多様性の変化を調節し理解する上で重要な役割を担っている。 また、町や都市を浸食や暴風雨から守る上でも重要な役割を担っている。 しかし、リモートセンシング(ドローン、UAV、衛星)に使用される技術は、これらの生態系の詳細な画像を作成することはできない。 水中の物体に表面波や光によって引き起こされる歪みである流体レンズ効果は、これらの生態系のリモートセンシングを非常に難しい課題にしている。 機械学習を用いて、これらの効果のほとんどを取り除き、より安定した画像を生成することができる概念実証モデルが開発された。

関連論文リスト

• Physics-Inspired Synthesized Underwater Image Dataset [9.959844922120528]
  PHISWIDは、物理にインスパイアされた画像合成による水中画像処理の強化に適したデータセットである。 以上の結果から,PHISWIDでトレーニングを行う場合の基本的U-Netアーキテクチャでさえ,水中画像強調において既存の手法よりも大幅に優れていたことが判明した。 我々はPHISWIDを公開し、水中イメージング技術の進歩に重要なリソースを提供する。
  論文  参考訳（メタデータ） (2024-04-05T10:23:10Z)
• Floor extraction and door detection for visually impaired guidance [78.94595951597344]
  未知の環境で障害物のない経路を見つけることは、視覚障害者や自律ロボットにとって大きなナビゲーション問題である。 コンピュータビジョンシステムに基づく新しいデバイスは、障害のある人が安全な環境で未知の環境でナビゲートすることの難しさを克服するのに役立つ。 本研究では,視覚障害者のためのナビゲーションシステムの構築につながるセンサとアルゴリズムの組み合わせを提案する。
  論文  参考訳（メタデータ） (2024-01-30T14:38:43Z)
• 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)
• 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)
• Seafloor-Invariant Caustics Removal from Underwater Imagery [0.0]
  コースティックス(英: Caustics)は、波面によって屈折される光線の投射によって生じる複雑な物理現象である。 本研究では,浅海底画像に対する因果関係の影響を補正する新しい手法を提案する。 特に,画像画素を"非因果的"と"因果的"に分類するために,ディープラーニングアーキテクチャを用いた。
  論文  参考訳（メタデータ） (2022-12-20T11:11:02Z)
• 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)
• Towards Generating Large Synthetic Phytoplankton Datasets for Efficient Monitoring of Harmful Algal Blooms [77.25251419910205]
  有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。 現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。 合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
  論文  参考訳（メタデータ） (2022-08-03T20:15:55Z)
• ClimateGAN: Raising Climate Change Awareness by Generating Images of Floods [89.61670857155173]
  実画像上でのリアルな洪水をシミュレートする手法を提案する。 本研究では、教師なし領域適応と条件付き画像生成のためのシミュレーションデータと実データの両方を活用するモデルであるClimateGANを提案する。
  論文  参考訳（メタデータ） (2021-10-06T15:54:57Z)
• Robustly Removing Deep Sea Lighting Effects for Visual Mapping of Abyssal Plains [3.566117940176302]
  地球の表面の大部分は海洋の奥深くにあり、表面光は届かない。 画像マッチングや表面アルベド推定を含む視覚マッピングは、共動光源が生み出す影響にひどく苦しむ。 本研究では, 主に均質で平らな海底域における照明効果を推定し, 補償するための実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-01T15:28:07Z)
• Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
  我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。 物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。 この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
  論文  参考訳（メタデータ） (2020-10-16T02:15:34Z)

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。