論文の概要: UIERL: Internal-External Representation Learning Network for Underwater Image Enhancement

• arxiv url: http://arxiv.org/abs/2306.08344v1
• Date: Wed, 14 Jun 2023 08:25:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 19:48:03.055471
• Title: UIERL: Internal-External Representation Learning Network for Underwater Image Enhancement
• Title（参考訳）: UIERL:水中画像強調のための外部表現学習ネットワーク
• Authors: Zhengyong Wang, Liquan Shen, Yihan Yu and Yuan Hui
• Abstract要約: 水中画像強調(UIE)タスクをより効率的に行うために,新しい内外表現学習(UIERL)ネットワークを提案する。 内部表現学習段階において、シーン深度に基づく領域分割を含む新しい領域誘導ネットワークを設計する。 外部表現学習の段階では、まず、関連する画像のリッチな外部情報をマイニングするための外部情報抽出ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 16.687041521149723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater image enhancement (UIE) is a meaningful but challenging task, and many learning-based UIE methods have been proposed in recent years. Although much progress has been made, these methods still exist two issues: (1) There exists a significant region-wise quality difference in a single underwater image due to the underwater imaging process, especially in regions with different scene depths. However, existing methods neglect this internal characteristic of underwater images, resulting in inferior performance; (2) Due to the uniqueness of the acquisition approach, underwater image acquisition tools usually capture multiple images in the same or similar scenes. Thus, the underwater images to be enhanced in practical usage are highly correlated. However, when processing a single image, existing methods do not consider the rich external information provided by the related images. There is still room for improvement in their performance. Motivated by these two aspects, we propose a novel internal-external representation learning (UIERL) network to better perform UIE tasks with internal and external information, simultaneously. In the internal representation learning stage, a new depth-based region feature guidance network is designed, including a region segmentation based on scene depth to sense regions with different quality levels, followed by a region-wise space encoder module. With performing region-wise feature learning for regions with different quality separately, the network provides an effective guidance for global features and thus guides intra-image differentiated enhancement. In the external representation learning stage, we first propose an external information extraction network to mine the rich external information in the related images. Then, internal and external features interact with each other via the proposed external-assist-internal module and internal-assist-e
• Abstract（参考訳）: 水中画像強調(uie)は有意義だが困難な課題であり,近年,学習に基づくuie手法が数多く提案されている。 多くの進展がみられたが,(1)水中撮像過程による水中画像の局所的品質差は,特に風景深度の異なる領域において有意な差がある。 しかし, 従来の手法では, 水中画像の内部特性は無視されており, 性能は劣っている。(2) 取得手法の特異性のため, 水中画像取得ツールは通常, 同一又は類似のシーンで複数の画像をキャプチャする。 したがって, 実用化に資する水中画像は, 高い相関関係にある。 しかし、単一の画像を処理する場合、既存の手法では、関連画像が提供するリッチな外部情報を考慮していない。 彼らのパフォーマンスにはまだ改善の余地がある。 これら2つの側面を動機として,UIEタスクを内部情報と外部情報とを同時に実行するための,UIERL(internal-external representation learning)ネットワークを提案する。 内部表現学習段階において、シーン深度に基づく領域セグメンテーションを含む、新しい深度に基づく領域特徴誘導網を設計し、異なる品質レベルの領域を検知し、次いで領域ワイド空間エンコーダモジュールを設計する。 異なる品質の地域に対して地域的特徴学習を行うことで、ネットワークはグローバルな特徴の効果的なガイダンスを提供し、画像内差分エンハンスメントのガイドとなる。 外部表現学習段階において,まず,関連画像中のリッチな外部情報をマイニングする外部情報抽出ネットワークを提案する。 次に、提案する外部アシスト-内部モジュールと内部アシスト-eを介して、内部および外部特徴が相互に相互作用する。

関連論文リスト

• RAUNE-Net: A Residual and Attention-Driven Underwater Image Enhancement Method [2.6645441842326756]
  水中画像強調(UIE)は、水中環境の特徴的な性質のために課題を提起する。 本稿では、RAUNE-Netと呼ばれるより信頼性が高く合理的なUIEネットワークを提案する。 提案手法は,様々な実世界の水中画像に対して,有望な客観的性能と一貫した視覚的結果を得る。
  論文  参考訳（メタデータ） (2023-11-01T03:00:07Z)
• PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with Dual-Discriminators [120.06891448820447]
  鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。 水中画像強調(UIE)の課題も、時間とともに現れた。 本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。 我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-06-15T07:41:12Z)
• 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)
• PiPa: Pixel- and Patch-wise Self-supervised Learning for Domain Adaptative Semantic Segmentation [100.6343963798169]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、学習モデルの他のドメインへの一般化を強化することを目的としている。 そこで我々は,ドメイン適応型セマンティックセマンティックセグメンテーションのための,PiPaという,画素・パッチ対応の自己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） (2022-11-14T18:31:24Z)
• 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)
• Self-Supervised Learning of Domain Invariant Features for Depth Estimation [35.74969527929284]
  単一画像深度推定のための教師なし合成-現実的領域適応の課題に対処する。 単一画像深度推定の重要なビルディングブロックはエンコーダ・デコーダ・タスク・ネットワークであり、RGB画像を入力とし、出力として深度マップを生成する。 本稿では,タスクネットワークにドメイン不変表現を自己教師型で学習させる新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2021-06-04T16:45:48Z)
• Exploring the Diversity and Invariance in Yourself for Visual Pre-Training Task [192.74445148376037]
  自己指導型学習法は視覚前訓練において顕著な成功を収めた。 これらの手法は、限られた領域のみに焦点を当てたり、抽出された特徴を各画像内の全く異なる領域に当てはめることはほぼ同じである。 本稿では,自身のE-DIYにおける多様性と不変性を探究する。
  論文  参考訳（メタデータ） (2021-06-01T14:52:36Z)
• DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image Segmentation on Unseen Datasets [96.92018649136217]
  対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。 私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。 本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
  論文  参考訳（メタデータ） (2020-10-13T07:28:39Z)
• TuiGAN: Learning Versatile Image-to-Image Translation with Two Unpaired Images [102.4003329297039]
  教師なし画像画像変換(UI2I)タスクは、ペア画像のない2つのドメイン間のマッピングを学習する。 本研究では,2つの未ペア画像のみをトレーニングし,ワンショットで教師なし学習を行う生成モデルTuiGANを提案する。
  論文  参考訳（メタデータ） (2020-04-09T16:23:59Z)

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。