論文の概要: Towards Realistic Underwater Dataset Generation and Color Restoration

• arxiv url: http://arxiv.org/abs/2211.14821v1
• Date: Sun, 27 Nov 2022 13:24:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 20:09:51.517482
• Title: Towards Realistic Underwater Dataset Generation and Color Restoration
• Title（参考訳）: リアルな水中データセット生成と色復元に向けて
• Authors: Neham Jain, Gopi Matta, Kaushik Mitra
• Abstract要約: 画像翻訳ネットワークを用いて、合成ドメインと実ドメインのギャップを埋める。 さまざまな水中条件をキャプチャーできるデータセットを作成します。 次に、ドメイン適応データセットに基づいて、単純だが効果的なCNNベースのネットワークをトレーニングし、色復元を行います。
• 参考スコア（独自算出の注目度）: 18.31448635476334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recovery of true color from underwater images is an ill-posed problem. This is because the wide-band attenuation coefficients for the RGB color channels depend on object range, reflectance, etc. which are difficult to model. Also, there is backscattering due to suspended particles in water. Thus, most existing deep-learning based color restoration methods, which are trained on synthetic underwater datasets, do not perform well on real underwater data. This can be attributed to the fact that synthetic data cannot accurately represent real conditions. To address this issue, we use an image to image translation network to bridge the gap between the synthetic and real domains by translating images from synthetic underwater domain to real underwater domain. Using this multimodal domain adaptation technique, we create a dataset that can capture a diverse array of underwater conditions. We then train a simple but effective CNN based network on our domain adapted dataset to perform color restoration. Code and pre-trained models can be accessed at https://github.com/nehamjain10/TRUDGCR
• Abstract（参考訳）: 水中画像から真の色の回復は不適切な問題である。 これはRGB色チャネルの広帯域減衰係数がモデル化が難しい対象範囲や反射率などに依存するためである。 また、水中の懸濁粒子による後方散乱もある。 したがって、既存の深層学習に基づく色復元法は、合成水中データセットに基づいて訓練されており、実際の水中データではうまく機能しない。 これは、合成データが実際の状態を正確に表現できないという事実による。 この問題に対処するために,画像翻訳ネットワークを用いて合成水中ドメインから実際の水中ドメインへの画像変換を行い,合成水中ドメインと実際のドメインとのギャップを埋める。 このマルチモーダルドメイン適応手法を用いて,様々な水中条件をキャプチャ可能なデータセットを作成する。 次に、ドメイン適応データセットに基づいて、単純で効果的なcnnベースのネットワークをトレーニングし、カラー復元を行います。 コードおよび事前訓練されたモデルはhttps://github.com/nehamjain10/TRUDGCRでアクセスすることができる。

関連論文リスト

• Osmosis: RGBD Diffusion Prior for Underwater Image Restoration [8.06874881862533]
  色と深さの結合空間に先立って無条件拡散モデルを訓練する。 クリーン画像の後部サンプルを生成し,水の影響を除去する。 本手法は,難易度の高いシーンにおいて,画像復元のための最先端のベースラインよりも優れる。
  論文  参考訳（メタデータ） (2024-03-21T21:13:53Z)
• 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)
• 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)
• MetaUE: Model-based Meta-learning for Underwater Image Enhancement [25.174894007563374]
  本論文では,様々な水中シナリオ下でクリーンな画像を復元するためのモデルに基づくディープラーニング手法を提案する。 メタラーニング戦略は、合成水中データセット上で事前訓練されたモデルを得るために用いられる。 その後、モデルが実際の水中データセットに微調整され、MetaUEと呼ばれる信頼性の高い水中画像拡張モデルが得られる。
  論文  参考訳（メタデータ） (2023-03-12T02:38:50Z)
• SyreaNet: A Physically Guided Underwater Image Enhancement Framework Integrating Synthetic and Real Images [17.471353846746474]
  水中画像強調(UIE)は高レベルの視覚関連水中作業に不可欠である。 合成データと実データの両方を統合するUIEのためのフレームワーク textitSyreaNet を提案する。
  論文  参考訳（メタデータ） (2023-02-16T12:57:52Z)
• Learning Dynamic View Synthesis With Few RGBD Cameras [60.36357774688289]
  本稿では,RGBDカメラを用いて動的屋内シーンのフリー視点映像を合成することを提案する。 我々は、RGBDフレームから点雲を生成し、それをニューラル機能を介して、自由視点ビデオにレンダリングする。 そこで本研究では,未完成の深度を適応的に塗布して新規なビューを描画する,シンプルなRegional Depth-Inpaintingモジュールを提案する。
  論文  参考訳（メタデータ） (2022-04-22T03:17:35Z)
• Domain Adaptation for Underwater Image Enhancement via Content and Style Separation [7.077978580799124]
  水中画像は、カラーキャスト、低コントラスト、光吸収、屈折、散乱によるハジー効果に悩まされている。 近年の学習に基づく手法は水中画像の強調に驚くべき性能を示した。 本稿では,コンテンツとスタイル分離による水中画像強調のためのドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-17T09:30:29Z)
• Domain Adaptation for Underwater Image Enhancement [51.71570701102219]
  本稿では,ドメイン間およびドメイン内ギャップを最小限に抑えるために,新しい2相水中ドメイン適応ネットワーク(TUDA)を提案する。 第1段階では、入力画像のリアリズムを強化する翻訳部と、拡張部とを含む新しい二重配向ネットワークを設計する。 第2フェーズでは、ランクベースの水中品質評価手法が組み込まれている強化画像の評価品質に応じて、実データを簡単に分類する。
  論文  参考訳（メタデータ） (2021-08-22T06:38:19Z)
• 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)
• Syn2Real Transfer Learning for Image Deraining using Gaussian Processes [92.15895515035795]
  CNNに基づく画像デライニング手法は,再現誤差や視覚的品質の点で優れた性能を発揮している。 実世界の完全ラベル付き画像デライニングデータセットを取得する上での課題により、既存の手法は合成されたデータのみに基づいて訓練される。 本稿では,ガウス過程に基づく半教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T00:33:18Z)
• CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
  本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。 リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-03-17T15:20:25Z)

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。