論文の概要: UIEDP:Underwater Image Enhancement with Diffusion Prior

• arxiv url: http://arxiv.org/abs/2312.06240v1
• Date: Mon, 11 Dec 2023 09:24:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 16:19:34.125647
• Title: UIEDP:Underwater Image Enhancement with Diffusion Prior
• Title（参考訳）: UIEDP:拡散前処理による水中画像の強調
• Authors: Dazhao Du, Enhan Li, Lingyu Si, Fanjiang Xu, Jianwei Niu, Fuchun Sun
• Abstract要約: 水中画像強調(UIE)は,低品質水中画像から鮮明な画像を生成することを目的としている。 劣化した水中の入力に条件付きクリアな画像の後方分布サンプリングプロセスとして,UIEを取り扱う新しいフレームワークであるUIEDPを提案する。
• 参考スコア（独自算出の注目度）: 20.349103580702028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater image enhancement (UIE) aims to generate clear images from low-quality underwater images. Due to the unavailability of clear reference images, researchers often synthesize them to construct paired datasets for training deep models. However, these synthesized images may sometimes lack quality, adversely affecting training outcomes. To address this issue, we propose UIE with Diffusion Prior (UIEDP), a novel framework treating UIE as a posterior distribution sampling process of clear images conditioned on degraded underwater inputs. Specifically, UIEDP combines a pre-trained diffusion model capturing natural image priors with any existing UIE algorithm, leveraging the latter to guide conditional generation. The diffusion prior mitigates the drawbacks of inferior synthetic images, resulting in higher-quality image generation. Extensive experiments have demonstrated that our UIEDP yields significant improvements across various metrics, especially no-reference image quality assessment. And the generated enhanced images also exhibit a more natural appearance.
• Abstract（参考訳）: 水中画像強調(UIE)は,低品質水中画像から鮮明な画像を生成することを目的としている。 明確な参照画像が利用できないため、研究者はしばしばそれらを合成して、深層モデルのトレーニングのためのペアデータセットを構築する。 しかし、これらの合成画像は品質に欠け、トレーニング結果に悪影響を及ぼすことがある。 この問題に対処するために, 劣化水中入力に条件付きクリア画像の後方分布サンプリングプロセスとして, UIE を扱う新しいフレームワークである Diffusion Prior (UIEDP) を提案する。 具体的には、uiedpは自然画像と既存のuieアルゴリズムを事前学習した拡散モデルを組み合わせて、条件生成を導く。 拡散優先は劣る合成画像の欠点を緩和し、高品質な画像を生成する。 大規模な実験により、UIEDPは様々な指標、特に非参照画像の品質評価において大きな改善をもたらすことが示された。 そして生成された拡張画像は、より自然に見えます。

関連論文リスト

• RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
  RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
  論文  参考訳（メタデータ） (2024-05-30T14:49:54Z)
• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [54.139923409101044]
  拡散先行型IQA(DP-IQA)と呼ばれる新しいIQA法を提案する。 トレーニング済みの安定拡散をバックボーンとして使用し、復調するU-Netから多レベル特徴を抽出し、それらをデコードして画質スコアを推定する。 上記のモデルの知識をCNNベースの学生モデルに抽出し、適用性を高めるためにパラメータを大幅に削減する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• Underwater Image Enhancement by Diffusion Model with Customized CLIP-Classifier [5.352081564604589]
  水中画像強調(UIE)は、低品質の入力から視覚的品質を改善することを目的としている。 UIE タスクに Contrastive Language- Image Pretraining (CLIP) の可能性を生かした新しいフレームワークである CLIP-UIE を提案する。 具体的には,大気中の自然画像から実際の水中領域に誘導される対応する水中画像に分解することで,合成画像の合成に色移動を用いることを提案する。
  論文  参考訳（メタデータ） (2024-05-25T12:56:15Z)
• 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)
• Steered Diffusion: A Generalized Framework for Plug-and-Play Conditional Image Synthesis [62.07413805483241]
  Steered Diffusionは、無条件生成のために訓練された拡散モデルを用いたゼロショット条件画像生成のためのフレームワークである。 塗装,着色,テキスト誘導セマンティック編集,画像超解像などのタスクに対して,ステアリング拡散を用いた実験を行った。
  論文  参考訳（メタデータ） (2023-09-30T02:03:22Z)
• WaterFlow: Heuristic Normalizing Flow for Underwater Image Enhancement and Beyond [52.27796682972484]
  既存の水中画像強調法は, 画像品質の向上に重点を置いており, 実践への影響を無視している。 本稿では,検出駆動型水中画像強調のための正規化フローであるWaterFlowを提案する。 微分可能性や解釈可能性を考慮すると、事前をデータ駆動マッピング手法に組み込む。
  論文  参考訳（メタデータ） (2023-08-02T04:17:35Z)
• Physics-Aware Semi-Supervised Underwater Image Enhancement [7.634972737905042]
  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。
  論文  参考訳（メタデータ） (2023-07-21T10:10:18Z)
• 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)
• Adaptive Uncertainty Distribution in Deep Learning for Unsupervised Underwater Image Enhancement [1.9249287163937976]
  ディープラーニングベースの水中画像強化における大きな課題の1つは、高品質なトレーニングデータの可用性の制限である。 本研究では、条件付き変分オートエンコーダ(cVAE)を用いて、深層学習モデルのトレーニングを行う、新しい教師なし水中画像強調フレームワークを提案する。 提案手法は, 定量化と定性化の両面において, 他の最先端手法と比較して, 競争性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-12-18T01:07:20Z)
• Multiscale Structure Guided Diffusion for Image Deblurring [24.09642909404091]
  拡散確率モデル (DPM) は画像の劣化に用いられている。 暗黙のバイアスとして、単純だが効果的なマルチスケール構造ガイダンスを導入する。 目に見えないデータのアーティファクトが少ないほど、より堅牢なデブロアリング結果を示します。
  論文  参考訳（メタデータ） (2022-12-04T10:40:35Z)
• UIF: An Objective Quality Assessment for Underwater Image Enhancement [17.145844358253164]
  水中画像の客観的評価のための水中画像忠実度(UIF)指標を提案する。 これらの画像の統計的特徴を利用して,自然度,鋭度,構造的特徴を抽出する。 実験の結果,提案したUIFは水中および汎用画像品質指標より優れていたことが確認された。
  論文  参考訳（メタデータ） (2022-05-19T08:43:47Z)

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。