論文の概要: Unsupervised haze removal from underwater images

• arxiv url: http://arxiv.org/abs/2306.02912v1
• Date: Mon, 5 Jun 2023 14:15:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 14:34:02.247141
• Title: Unsupervised haze removal from underwater images
• Title（参考訳）: 水中画像からの無監督ヘイズ除去
• Authors: Praveen Kandula and A. N. Rajagopalan
• Abstract要約: 本研究では,未ペアデータを用いた水中画像からのヘイズ除去手法を提案する。 我々のモデルでは, Haze Disentanglement Network (HDN) を用いて, 水中画像からヘイズとコンテンツ情報を分離する。 そして、この歪んだヘイズを水中画像再生のガイドとして使用し、サイクル整合損失に強い制約を与え、性能向上を図る。
• 参考スコア（独自算出の注目度）: 25.163783640750573
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Several supervised networks exist that remove haze information from underwater images using paired datasets and pixel-wise loss functions. However, training these networks requires large amounts of paired data which is cumbersome, complex and time-consuming. Also, directly using adversarial and cycle consistency loss functions for unsupervised learning is inaccurate as the underlying mapping from clean to underwater images is one-to-many, resulting in an inaccurate constraint on the cycle consistency loss. To address these issues, we propose a new method to remove haze from underwater images using unpaired data. Our model disentangles haze and content information from underwater images using a Haze Disentanglement Network (HDN). The disentangled content is used by a restoration network to generate a clean image using adversarial losses. The disentangled haze is then used as a guide for underwater image regeneration resulting in a strong constraint on cycle consistency loss and improved performance gains. Different ablation studies show that the haze and content from underwater images are effectively separated. Exhaustive experiments reveal that accurate cycle consistency constraint and the proposed network architecture play an important role in yielding enhanced results. Experiments on UFO-120, UWNet, UWScenes, and UIEB underwater datasets indicate that the results of our method outperform prior art both visually and quantitatively.
• Abstract（参考訳）: 複数の教師付きネットワークがあり、ペアのデータセットとピクセル単位の損失関数を使って水中画像からヘイズ情報を除去している。 しかし、これらのネットワークをトレーニングするには大量のペアデータが必要である。 また, 教師なし学習において, 逆・周期整合損失関数を直接用いた場合, クリーン画像から水中画像へのマッピングが一対多であるため, サイクル整合損失に不正確な制約が生じる。 これらの課題に対処するために,未ペアデータを用いた水中画像からのヘイズ除去手法を提案する。 本モデルでは,Haz Disentanglement Network (HDN) を用いて,水中画像からヘイズとコンテンツ情報を抽出する。 歪んだコンテンツを復元ネットワークで使用し、敵の損失を利用してクリーンな画像を生成する。 この異方性ヘイズを水中画像再生のためのガイドとして使用し、サイクル一貫性の損失とパフォーマンス向上に強い制約を課す。 異なるアブレーション研究により、水中画像からのヘイズと内容物が効果的に分離されていることが示されている。 探索実験により, 正確なサイクル整合性制約と提案したネットワークアーキテクチャが, 性能向上に重要な役割を果たすことが明らかになった。 ufo-120, uwnet, uwscenes, uiebの水中データセットを用いた実験から, 本手法は, 視覚的および定量的に先行技術よりも優れていた。

関連論文リスト

• Underwater Image Enhancement with Cascaded Contrastive Learning [51.897854142606725]
  水中画像強調(UIE)は、水中環境の複雑さと水中画像劣化の多様性のために非常に困難な課題である。 既存のディープラーニングベースのUIEメソッドの多くは、多様な劣化に同時に対処できないシングルステージネットワークに従っている。 本稿では,2段階の深層学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-16T03:16:44Z)
• 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)
• 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)
• Semi-supervised Underwater Image Enhancement Using A Physics-Aware Triple-Stream Network [6.7932860553262415]
  我々は、物理に基づく画像形成モデル(IFM)と深層学習技術の両方を水中画像強調(UIE)に活用する。 PATS-UIENetは、直接信号伝送推定水蒸気(D-Stream)、後方信号伝送推定水蒸気(B-Stream)、アンビエント光推定水蒸気(A-Stream)からなる。 また、ラベル付き画像とラベルなし画像の両方を利用して、IFMにインスパイアされた半教師付き学習フレームワークを採用し、不十分なデータの問題に対処する。
  論文  参考訳（メタデータ） (2023-07-21T10:10:18Z)
• 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)
• 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)
• Underwater enhancement based on a self-learning strategy and attention mechanism for high-intensity regions [0.0]
  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。
  論文  参考訳（メタデータ） (2022-08-04T19:55:40Z)
• Learning to restore images degraded by atmospheric turbulence using uncertainty [93.72048616001064]
  大気の乱流は、長距離イメージングシステムによって取得された画像の品質を著しく低下させることができる。 本研究では,大気乱流により劣化した1つの画像の復元のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-07T17:24:52Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• 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)

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。