論文の概要: Physics-Aware Semi-Supervised Underwater Image Enhancement

• arxiv url: http://arxiv.org/abs/2307.11470v2
• Date: Sun, 28 Apr 2024 09:29:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-01 01:14:26.077362
• Title: Physics-Aware Semi-Supervised Underwater Image Enhancement
• Title（参考訳）: 物理対応半監督水中画像強調
• Authors: Hao Qi, Xinghui Dong,
• Abstract要約: 物理に基づく水中画像形成モデル(IFM)と深層学習技術(UIE)のどちらも活用する。 本稿では,伝送推定水蒸気 (T-Stream) とアンビエント光推定水蒸気 (A-Stream) を組み合わせた新しい物理対応デュアルストリーム水中画像強調ネットワーク,すなわちPA-UIENetを提案する。 本手法は, 劣化推定およびUIEタスクにおいて, 5つのテストセットにまたがる8つのベースラインよりも, あるいは少なくとも同等に, 性能が向上する。
• 参考スコア（独自算出の注目度）: 7.634972737905042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater images normally suffer from degradation due to the transmission medium of water bodies. Both traditional prior-based approaches and deep learning-based methods have been used to address this problem. However, the inflexible assumption of the former often impairs their effectiveness in handling diverse underwater scenes, while the generalization of the latter to unseen images is usually weakened by insufficient data. In this study, we leverage both the physics-based underwater Image Formation Model (IFM) and deep learning techniques for Underwater Image Enhancement (UIE). To this end, we propose a novel Physics-Aware Dual-Stream Underwater Image Enhancement Network, i.e., PA-UIENet, which comprises a Transmission Estimation Steam (T-Stream) and an Ambient Light Estimation Stream (A-Stream). This network fulfills the UIE task by explicitly estimating the degradation parameters of the IFM. We also adopt an IFM-inspired semi-supervised learning framework, which exploits both the labeled and unlabeled images, to address the issue of insufficient data. Our method performs better than, or at least comparably to, eight baselines across five testing sets in the degradation estimation and UIE tasks. This should be due to the fact that it not only can model the degradation but also can learn the characteristics of diverse underwater scenes.
• Abstract（参考訳）: 水中画像は通常、水域の透過媒質による劣化に悩まされる。 従来の事前ベースアプローチとディープラーニングベースの手法の両方がこの問題に対処するために使われてきた。 しかしながら、前者の非フレキシブルな仮定は、多様な水中シーンを扱う上での有効性を損なうことが多いが、後者のイメージの一般化は、不十分なデータによって弱まることが多い。 本研究では,物理に基づく水中画像形成モデル (IFM) と深層学習技術の両方を水中画像強調(UIE)に活用する。 そこで本研究では,伝送推定水蒸気 (T-Stream) とアンビエント光推定水蒸気 (A-Stream) を組み合わせた新しい物理対応デュアルストリーム水中画像強調ネットワークPA-UIENetを提案する。 このネットワークは、IFMの劣化パラメータを明示的に推定することでUIEタスクを満たす。 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。 本手法は, 劣化推定およびUIEタスクにおいて, 5つのテストセットにまたがる8つのベースラインよりも, あるいは少なくとも同等に, 性能が向上する。 これは、分解をモデル化できるだけでなく、水中の多様なシーンの特徴も学べるからである。

関連論文リスト

• Underwater Image Quality Assessment: A Perceptual Framework Guided by Physical Imaging [52.860312888450096]
  PIGUIQAと呼ばれる水中画像品質評価(UIQA)のための物理画像誘導フレームワークを提案する。 提案手法に物理に基づく水中画像推定を取り入れ,直接透過減衰と後方散乱が画質に与える影響を計測する歪み測定値を定義した。 PIGUIQAは水中画像品質予測における最先端性能を実現し,高い一般化性を示す。
  論文  参考訳（メタデータ） (2024-12-20T03:31:45Z)
• UIE-UnFold: Deep Unfolding Network with Color Priors and Vision Transformer for Underwater Image Enhancement [27.535028176427623]
  水中画像強調(UIE)は様々な海洋用途において重要な役割を担っている。 現在の学習に基づくアプローチは、水中画像形成に関わる物理過程に関する明確な事前知識を欠いていることが多い。 そこで本稿では,UIEのカラープリエントとステージ間特徴付与を統合した新しいディープ・アンフォールディング・ネットワーク(DUN)を提案する。
  論文  参考訳（メタデータ） (2024-08-20T08:48:33Z)
• 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)
• An Efficient Detection and Control System for Underwater Docking using Machine Learning and Realistic Simulation: A Comprehensive Approach [5.039813366558306]
  この研究は、水中ドッキングの検出と分類を行うために異なるディープラーニングアーキテクチャと比較する。 GAN(Generative Adversarial Network)は画像から画像への変換に用いられ、ガゼボのシミュレーション画像を水中画像に変換する。 その結果,水中の潮流によらず,高濁度シナリオでは20%の改善が見られた。
  論文  参考訳（メタデータ） (2023-11-02T18:10:20Z)
• 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)
• 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)
• 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 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。