論文の概要: Synergistic Multiscale Detail Refinement via Intrinsic Supervision for Underwater Image Enhancement

• arxiv url: http://arxiv.org/abs/2308.11932v1
• Date: Wed, 23 Aug 2023 05:40:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-24 15:39:49.094850
• Title: Synergistic Multiscale Detail Refinement via Intrinsic Supervision for Underwater Image Enhancement
• Title（参考訳）: 水中画像強調のための固有スーパービジョンによる相乗的マルチスケールディテール微細化
• Authors: Dehuan Zhang, Jingchun Zhou, Weishi Zhang, ChunLe Guo, Chongyi Li
• Abstract要約: 本研究では,水中のシーンを再現するために,室内監視(SMDR-IS)による相乗的マルチスケールディテール改善を提案する。 ASISFは、多段劣化段階における特徴伝達を正確に制御し、誘導するために、本質的な監視を用いて開発されている。 ASISFは、低分解段階からの無関係なシーン情報からの干渉を低減しつつ、マルチスケールのディテール改善を改善する。
• 参考スコア（独自算出の注目度）: 39.208417033777415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual restoration of underwater scenes is crucial for visual tasks, and avoiding interference from underwater media has become a prominent concern. In this work, we present a synergistic multiscale detail refinement via intrinsic supervision (SMDR-IS) to recover underwater scene details. The low-degradation stage provides multiscale detail for original stage, which achieves synergistic multiscale detail refinement through feature propagation via the adaptive selective intrinsic supervised feature module (ASISF), which achieves synergistic multiscale detail refinement. ASISF is developed using intrinsic supervision to precisely control and guide feature transmission in the multi-degradation stages. ASISF improves the multiscale detail refinement while reducing interference from irrelevant scene information from the low-degradation stage. Additionally, within the multi-degradation encoder-decoder of SMDR-IS, we introduce a bifocal intrinsic-context attention module (BICA). This module is designed to effectively leverage multi-scale scene information found in images, using intrinsic supervision principles as its foundation. BICA facilitates the guidance of higher-resolution spaces by leveraging lower-resolution spaces, considering the significant dependency of underwater image restoration on spatial contextual relationships. During the training process, the network gains advantages from the integration of a multi-degradation loss function. This function serves as a constraint, enabling the network to effectively exploit information across various scales. When compared with state-of-the-art methods, SMDR-IS demonstrates its outstanding performance. Code will be made publicly available.
• Abstract（参考訳）: 水中シーンの視覚復元は視覚タスクにとって不可欠であり、水中メディアからの干渉を避けることが重要な関心事となっている。 本研究では,水中のシーンを再現するために,室内監視(SMDR-IS)による相乗的マルチスケールディテール改善を提案する。 低分解段階(low-degradation stage)は、アダプティブ・選択的内在教師付き特徴モジュール(asisf)を通じた特徴伝播を通じて、相乗的多スケール詳細を達成する相乗的多スケール詳細化を実現するオリジナルステージのための多スケール詳細を提供する。 ASISFは、多段劣化段階における特徴伝達を正確に制御し誘導するために、本質的な監視を用いて開発されている。 ASISFは、低分解段階からの無関係なシーン情報からの干渉を低減しつつ、マルチスケールのディテール改善を改善する。 さらに,SMDR-ISのマルチデグレーションエンコーダデコーダ内では,二焦点固有テキストアテンションモジュール(BICA)を導入する。 このモジュールは、内在的な監督原則を基礎として、画像に見られるマルチスケールのシーン情報を効果的に活用するように設計されている。 BICAは、水中画像復元が空間的関係に大きく依存していることを考慮して、低解像度空間を活用することにより、高解像度空間の誘導を容易にする。 トレーニングプロセスの間、ネットワークはマルチデグラデーション損失関数の統合により利点を得る。 この機能は制約として機能し、ネットワークは様々なスケールで情報を効果的に活用することができる。 最先端の手法と比較すると、SMDR-ISはその優れた性能を示す。 コードは公開される予定だ。

関連論文リスト

• UniUIR: Considering Underwater Image Restoration as An All-in-One Learner [49.35128836844725]
  我々はUniUIRと呼ばれるユニバーサル水中画像復元手法を提案する。 劣化固有の問題を分離し、UIRタスクにおける様々な劣化の相関関係を探るため、我々はMamba Mixture-of-Expertsモジュールを設計した。 このモジュールは、空間領域と周波数領域の両方において劣化前の情報を抽出し、最適なタスク固有のプロンプトを適応的に選択する。
  論文  参考訳（メタデータ） (2025-01-22T16:10:42Z)
• HUPE: Heuristic Underwater Perceptual Enhancement with Semantic Collaborative Learning [62.264673293638175]
  既存の水中画像強調法は主に視覚的品質の向上に重点を置いており、実際的な意味を見落としている。 視覚的品質を高め,他の下流タスクに対処する柔軟性を示す,水中知覚向上のための可逆的ネットワークHを提案する。
  論文  参考訳（メタデータ） (2024-11-27T12:37:03Z)
• Boosting Visual Recognition in Real-world Degradations via Unsupervised Feature Enhancement Module with Deep Channel Prior [22.323789227447755]
  霧、低照度、動きのぼかしは画像の品質を低下させ、自動運転の安全性を脅かす。 本研究は、劣化した視覚認識のための新しいDeep Channel Prior (DCP)を提案する。 これに基づいて、教師なし特徴補正を実現するために、新しいプラグアンドプレイunsupervised Feature Enhancement Module (UFEM)を提案する。
  論文  参考訳（メタデータ） (2024-04-02T07:16:56Z)
• UWFormer: Underwater Image Enhancement via a Semi-Supervised Multi-Scale Transformer [26.15238399758745]
  水中画像は、品質が悪く、色調が歪んだり、コントラストが低かったりすることが多い。 現在のディープラーニング手法は、マルチスケール拡張に欠けるニューラル畳み込みネットワーク(CNN)に依存している。 半教師付き学習によって複数の周波数の画像を拡張するためのマルチスケールトランスフォーマーベースネットワークを提案する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:09Z)
• Semantic-aware Texture-Structure Feature Collaboration for Underwater Image Enhancement [58.075720488942125]
  水中画像の強調は海洋工学や水生ロボット工学において重要な技術として注目されている。 我々は,高レベルな意味認識事前学習モデルと協調して,効率的でコンパクトな拡張ネットワークを開発する。 また,提案手法を水中の有意な物体検出タスクに適用し,高レベルの視覚タスクに適した意味認識能力を明らかにする。
  論文  参考訳（メタデータ） (2022-11-19T07:50:34Z)
• SGUIE-Net: Semantic Attention Guided Underwater Image Enhancement with Multi-Scale Perception [18.87163028415309]
  そこで我々はSGUIE-Netと呼ばれる新しい水中画像強調ネットワークを提案する。 一般的な意味領域を共有する様々な画像に対して,意味情報を高レベルなガイダンスとして導入する。 この戦略は、異なるセマンティックオブジェクトに対する堅牢で視覚的に快適な拡張を実現するのに役立ちます。
  論文  参考訳（メタデータ） (2022-01-08T14:03:24Z)
• High-resolution Depth Maps Imaging via Attention-based Hierarchical Multi-modal Fusion [84.24973877109181]
  誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。 本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:28:33Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。