論文の概要: CARNet: Collaborative Adversarial Resilience for Robust Underwater Image Enhancement and Perception

• arxiv url: http://arxiv.org/abs/2309.01102v2
• Date: Sun, 16 Mar 2025 12:52:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:57:19.989134
• Title: CARNet: Collaborative Adversarial Resilience for Robust Underwater Image Enhancement and Perception
• Title（参考訳）: CARNet:ロバストな水中画像強調と知覚のための協調的対向レジリエンス
• Authors: Zengxi Zhang, Zeru Shi, Zhiying Jiang, Jinyuan Liu,
• Abstract要約: 我々は,CARNetと呼ばれる協調対向レジリエンスネットワークを導入し,水中画像の強調とそれに続く検出を行う。 本研究ではまず,水中画像から攻撃を分離する強力な知覚能力を持つ可逆ネットワークを導入する。 また,異なるタイプの攻撃に対するネットワークの堅牢性を高めるために,二段階攻撃最適化手法を提案する。
• 参考スコア（独自算出の注目度）: 16.135354859458758
• License:
• Abstract: Due to the uneven absorption of different light wavelengths in aquatic environments, underwater images suffer from low visibility and clear color deviations. With the advancement of autonomous underwater vehicles, extensive research has been conducted on learning-based underwater enhancement algorithms. These works can generate visually pleasing enhanced images and mitigate the adverse effects of degraded images on subsequent perception tasks. However, learning-based methods are susceptible to the inherent fragility of adversarial attacks, causing significant disruption in enhanced results. In this work, we introduce a collaborative adversarial resilience network, dubbed CARNet, for underwater image enhancement and subsequent detection tasks. Concretely, we first introduce an invertible network with strong perturbation-perceptual abilities to isolate attacks from underwater images, preventing interference with visual quality enhancement and perceptual tasks. Furthermore, an attack pattern discriminator is introduced to adaptively identify and eliminate various types of attacks. Additionally, we propose a bilevel attack optimization strategy to heighten the robustness of the network against different types of attacks under the collaborative adversarial training of vision-driven and perception-driven attacks. Extensive experiments demonstrate that the proposed method outputs visually appealing enhancement images and performs an average 6.71% higher detection mAP than state-of-the-art methods.
• Abstract（参考訳）: 水環境下で異なる光の波長が不均一に吸収されるため、水中の画像は視界が低く、鮮やかな色偏差に悩まされる。 自律型水中車両の進歩に伴い、学習に基づく水中強化アルゴリズムに関する広範な研究が進められている。 これらの研究は、視覚的に満足な強調画像を生成し、劣化した画像がその後の知覚タスクに悪影響を及ぼすことを軽減できる。 しかし、学習に基づく手法は、敵対的攻撃の固有の脆弱さに影響され、強化された結果を著しく破壊する。 本研究では,水中画像の強調と検出を行うために,CARNetと呼ばれる協調的対向レジリエンスネットワークを導入する。 具体的には、まず、水中画像からの攻撃を分離し、視覚的品質向上や知覚タスクへの干渉を防止するために、強い摂動知覚能力を持つ可逆ネットワークを導入する。 さらに、様々な種類の攻撃を適応的に識別・排除するために、攻撃パターン判別器を導入する。 さらに、視覚駆動型および知覚駆動型攻撃の協調的対角訓練の下で、異なるタイプの攻撃に対するネットワークの堅牢性を高めるための二段階攻撃最適化戦略を提案する。 広汎な実験により,提案手法は画像の高画質化を図り,最先端の手法よりも平均6.71%高い検出精度を実現している。

関連論文リスト

• 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)
• Unrevealed Threats: A Comprehensive Study of the Adversarial Robustness of Underwater Image Enhancement Models [16.272142350752805]
  5つのよく設計されたUWIEモデルに対して、3つの共通の水中画像ベンチマークデータセット上で敵攻撃を行うための最初の試みを行う。 その結果、5つのモデルが敵攻撃に対する様々な脆弱性を示し、劣化した画像に対する十分に設計された小さな摂動は、UWIEモデルが強化された結果を生み出すのを防ぐことができることを示した。
  論文  参考訳（メタデータ） (2024-09-10T11:02:35Z)
• 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)
• On Adversarial Robustness of Deep Image Deblurring [15.66170693813815]
  本稿では,深層学習に基づく画像デブロワー法に対する敵対的攻撃を提案する。 本研究では,非知覚歪みが最先端の劣化ネットワークの性能を著しく低下させることを示した。
  論文  参考訳（メタデータ） (2022-10-05T18:31:33Z)
• Deep Image Destruction: A Comprehensive Study on Vulnerability of Deep Image-to-Image Models against Adversarial Attacks [104.8737334237993]
  本稿では,敵対的攻撃に対する深部画像対画像モデルの脆弱性に関する包括的調査を行う。 一般的な5つの画像処理タスクでは、さまざまな観点から16の深いモデルが分析される。 画像分類タスクとは異なり、画像間タスクの性能劣化は様々な要因によって大きく異なることが示される。
  論文  参考訳（メタデータ） (2021-04-30T14:20:33Z)
• Single Underwater Image Restoration by Contrastive Learning [23.500647404118638]
  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の最先端化を実現する新しい手法について詳述する。 本手法は,原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対向ネットワークを利用して設計する。
  論文  参考訳（メタデータ） (2021-03-17T14:47:03Z)
• Adversarial Examples Detection beyond Image Space [88.7651422751216]
  摂動と予測信頼の間にはコンプライアンスが存在することが分かり、予測信頼の面から少数の摂動攻撃を検出するための指針となる。 本研究では,画像ストリームが画素アーティファクトに注目し,勾配ストリームが信頼度アーティファクトに対応する2ストリームアーキテクチャによる画像空間を超えた手法を提案する。
  論文  参考訳（メタデータ） (2021-02-23T09:55:03Z)
• Perception Improvement for Free: Exploring Imperceptible Black-box Adversarial Attacks on Image Classification [27.23874129994179]
  ホワイトボックスの敵攻撃は、特に大きな画像の場合、小さな摂動を伴うニューラルネットワークを騙すことができる。 逆行性摂動を成功させることは、特にトランスファーベースのブラックボックス逆行攻撃では困難である。 本稿では,心理的知覚モデルに基づく対向画像の生成による構造認識型対向攻撃を提案する。
  論文  参考訳（メタデータ） (2020-10-30T07:17:12Z)
• Towards Achieving Adversarial Robustness by Enforcing Feature Consistency Across Bit Planes [51.31334977346847]
  我々は、高ビット平面の情報に基づいて粗い印象を形成するためにネットワークを訓練し、低ビット平面を用いて予測を洗練させる。 異なる量子化画像間で学習した表現に一貫性を付与することにより、ネットワークの対角的ロバスト性が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-04-01T09:31:10Z)

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。