Fugu-MT 論文翻訳(概要): IA2U: A Transfer Plugin with Multi-Prior for In-Air Model to Underwater

論文の概要: IA2U: A Transfer Plugin with Multi-Prior for In-Air Model to Underwater

arxiv url: http://arxiv.org/abs/2312.06955v2
Date: Fri, 19 Jan 2024 01:47:22 GMT
ステータス: 処理完了
システム内更新日: 2024-01-22 18:29:37.544359
Title: IA2U: A Transfer Plugin with Multi-Prior for In-Air Model to Underwater
Title（参考訳）: IA2U: 水中モデルのためのマルチPrior付きトランスファープラグイン
Authors: Jingchun Zhou and Qilin Gai and Kin-man Lam and Xianping Fu
Abstract要約: 水中環境では、懸濁粒子濃度と濁度の変化が画像劣化を引き起こす。室内モデルから水中アプリケーションへの変換に先駆けて, IA2U という名前のトランスファープラグインを開発した。 IA2Uと水中モデルを組み合わせることで,水中画像の強調や物体検出作業において優れた性能が得られることを示す。
参考スコア（独自算出の注目度）: 18.491734287988304
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In underwater environments, variations in suspended particle concentration and turbidity cause severe image degradation, posing significant challenges to image enhancement (IE) and object detection (OD) tasks. Currently, in-air image enhancement and detection methods have made notable progress, but their application in underwater conditions is limited due to the complexity and variability of these environments. Fine-tuning in-air models saves high overhead and has more optional reference work than building an underwater model from scratch. To address these issues, we design a transfer plugin with multiple priors for converting in-air models to underwater applications, named IA2U. IA2U enables efficient application in underwater scenarios, thereby improving performance in Underwater IE and OD. IA2U integrates three types of underwater priors: the water type prior that characterizes the degree of image degradation, such as color and visibility; the degradation prior, focusing on differences in details and textures; and the sample prior, considering the environmental conditions at the time of capture and the characteristics of the photographed object. Utilizing a Transformer-like structure, IA2U employs these priors as query conditions and a joint task loss function to achieve hierarchical enhancement of task-level underwater image features, therefore considering the requirements of two different tasks, IE and OD. Experimental results show that IA2U combined with an in-air model can achieve superior performance in underwater image enhancement and object detection tasks. The code will be made publicly available.
Abstract（参考訳）: 水中環境では、懸濁粒子濃度と濁度の変化が重篤な画像劣化を引き起こし、画像強調(ie)と物体検出(od)タスクに重大な課題をもたらす。現在、空中画像の強調と検出は顕著な進歩を遂げているが、これらの環境の複雑さと変動性により、水中環境への適用は制限されている。細調整された空気中のモデルは高いオーバーヘッドを節約し、スクラッチから水中モデルを構築するよりもオプションで参照作業を行う。これらの問題に対処するため, IA2U という, 水中モデルから水中アプリケーションへの変換に先立って, 複数先行する転送プラグインを設計した。 IA2Uは水中シナリオでの効率的な適用を可能にし、水中IEとODの性能を向上させる。 IA2Uは、色や視認性などの画像劣化の程度を特徴付ける水型、細部とテクスチャの違いに焦点をあてた分解前の水型、撮影時の環境条件と撮影対象の特性を考慮に入れた試料の3種類を統合している。 IA2Uはトランスフォーマーのような構造を用いて,タスクレベルの水中画像特徴の階層的向上を実現するために,クエリ条件と共同タスク損失関数としてこれらの先行情報を利用する。実験の結果,ia2uと空気中モデルの組み合わせにより,水中画像強調と物体検出タスクにおいて優れた性能が得られることがわかった。コードは公開される予定だ。

関連論文リスト

Diving into Underwater: Segment Anything Model Guided Underwater Salient Instance Segmentation and A Large-scale Dataset [60.14089302022989]
水中視覚タスクは複雑な水中状況のため、しばしばセグメンテーションの精度が低い。第1次大規模水中塩分分節データセット(USIS10K)を構築した。本研究では,水中ドメインに特化してセグメンツ・ア・シング・モデル(USIS-SAM)に基づく水中塩分・インスタンス・アーキテクチャを提案する。
論文参考訳（メタデータ） (2024-06-10T06:17:33Z)
A Real-Time Framework for Domain-Adaptive Underwater Object Detection with Image Enhancement [18.936260846385444]
EnyoLOは、水中画像強調(UIE)と物体検出(UOD)を同時に行うために設計された統合リアルタイムフレームワークである。このフレームワークはUIEタスクとUDDタスクの両方でSOTA(State-of-the-art)性能を実現するが、異なる水中シナリオに適用した場合にも優れた適応性を示す。
論文参考訳（メタデータ） (2024-03-28T01:00:08Z)
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)
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)
A Gated Cross-domain Collaborative Network for Underwater Object Detection [14.715181402435066]
水中物体検出は養殖と海洋環境保護において重要な役割を担っている。水中画像の品質向上のため,水中画像強調法(UIE)が提案されている。本稿では,水中環境における可視性とコントラストの低さの課題に対処するため,GCC-Net(Gated Cross-domain Collaborative Network)を提案する。
論文参考訳（メタデータ） (2023-06-25T06:28:28Z)
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)
A Benchmark dataset for both underwater image enhancement and underwater object detection [34.25890702670983]
境界ボックスアノテーションと高品質な参照画像の両方を用いた大規模水中物体検出データセットを提供する。 OUCデータセットは、水中物体検出タスクにおける水中画像強調アルゴリズムの影響を包括的に研究するためのプラットフォームを提供する。
論文参考訳（メタデータ） (2020-06-29T03:12:50Z)

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。