論文の概要: Atlantis: Enabling Underwater Depth Estimation with Stable Diffusion

• arxiv url: http://arxiv.org/abs/2312.12471v1
• Date: Tue, 19 Dec 2023 08:56:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-21 18:25:50.515598
• Title: Atlantis: Enabling Underwater Depth Estimation with Stable Diffusion
• Title（参考訳）: Atlantis: 安定拡散による水中深度推定の実現
• Authors: Fan Zhang, Shaodi You, Yu Li, Ying Fu
• Abstract要約: 正確な地球深度データを用いて水中画像を生成する新しいパイプラインを提案する。 このアプローチは、水中深度推定のための教師付きモデルのトレーニングを容易にする。 我々は、特別に作成された水中、深度、テキストデータ三重項に基づいて訓練された独自のDepth2Underwater ControlNetを導入する。
• 参考スコア（独自算出の注目度）: 30.122666238416716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monocular depth estimation has experienced significant progress on terrestrial images in recent years, largely due to deep learning advancements. However, it remains inadequate for underwater scenes, primarily because of data scarcity. Given the inherent challenges of light attenuation and backscattering in water, acquiring clear underwater images or precise depth information is notably difficult and costly. Consequently, learning-based approaches often rely on synthetic data or turn to unsupervised or self-supervised methods to mitigate this lack of data. Nonetheless, the performance of these methods is often constrained by the domain gap and looser constraints. In this paper, we propose a novel pipeline for generating photorealistic underwater images using accurate terrestrial depth data. This approach facilitates the training of supervised models for underwater depth estimation, effectively reducing the performance disparity between terrestrial and underwater environments. Contrary to prior synthetic datasets that merely apply style transfer to terrestrial images without altering the scene content, our approach uniquely creates vibrant, non-existent underwater scenes by leveraging terrestrial depth data through the innovative Stable Diffusion model. Specifically, we introduce a unique Depth2Underwater ControlNet, trained on specially prepared \{Underwater, Depth, Text\} data triplets, for this generation task. Our newly developed dataset enables terrestrial depth estimation models to achieve considerable improvements, both quantitatively and qualitatively, on unseen underwater images, surpassing their terrestrial pre-trained counterparts. Moreover, the enhanced depth accuracy for underwater scenes also aids underwater image restoration techniques that rely on depth maps, further demonstrating our dataset's utility. The dataset will be available at https://github.com/zkawfanx/Atlantis.
• Abstract（参考訳）: 近年、単眼深度推定は、深層学習の進歩により、地上画像において著しい進歩を遂げている。 しかし、主にデータ不足のため、水中のシーンでは不十分である。 光の減衰と後方散乱の固有の課題を考えると、明確な水中画像や正確な深度情報を取得することは特に困難で費用がかかる。 したがって、学習ベースのアプローチは、データ不足を軽減するために合成データに依存するか、教師なしまたは自己教師なしの方法に頼ることが多い。 それでも、これらのメソッドのパフォーマンスは、しばしばドメインのギャップとゆるい制約によって制限される。 本稿では,正確な地球深度データを用いて,光リアルな水中画像を生成するパイプラインを提案する。 このアプローチは、水中深度推定のための教師付きモデルの訓練を促進させ、地上環境と水中環境のパフォーマンス格差を効果的に低減する。 従来の合成データセットではシーン内容を変更することなく地上画像にスタイル転送を施すだけでよいが,本手法では,地上深度データを利用して革新的な安定拡散モデルを用いて,水中の活力のある非存在シーンを独特に生成する。 具体的には、この生成タスクのために特別に準備された \{Underwater, Depth, Text\} データ三脚で訓練された独自のDepth2Underwater ControlNetを導入する。 筆者らが新たに開発したデータセットは, 地上深部推定モデルにおいて, 水中画像の定量的, 定性的に, 地上事前訓練済み画像を上回って, 相当な精度向上を実現する。 さらに、水中シーンの深度精度の向上は、深度マップに依存する水中画像復元技術にも役立ち、データセットの有用性をさらに実証する。 データセットはhttps://github.com/zkawfanx/atlantisで入手できる。

関連論文リスト

• Enhancing Underwater Imaging with 4-D Light Fields: Dataset and Method [77.80712860663886]
  4次元光場(LF)は、光吸収、散乱、その他の課題に悩まされる水中イメージングを強化する。 水中4次元LF画像強調と深度推定のためのプログレッシブフレームワークを提案する。 学習手法の定量的評価と教師あり訓練のための,最初の4次元LFに基づく水中画像データセットを構築した。
  論文  参考訳（メタデータ） (2024-08-30T15:06:45Z)
• WaterMono: Teacher-Guided Anomaly Masking and Enhancement Boosting for Robust Underwater Self-Supervised Monocular Depth Estimation [4.909989222186828]
  深度推定と画像強調のための新しいフレームワークであるWaterMonoを提案する。 1)教師が指導する異常マスクを用いて画像内の動的領域を識別し,(2)水中画像形成モデルと組み合わせた深度情報を用いて深度推定タスクに寄与する拡張画像を生成し,(3)回転蒸留手法を用いてモデルの回転ロバスト性を高める。
  論文  参考訳（メタデータ） (2024-06-19T08:49:45Z)
• Physics-Inspired Synthesized Underwater Image Dataset [9.959844922120528]
  PHISWIDは、物理にインスパイアされた画像合成による水中画像処理の強化に適したデータセットである。 以上の結果から,PHISWIDでトレーニングを行う場合の基本的U-Netアーキテクチャでさえ,水中画像強調において既存の手法よりも大幅に優れていたことが判明した。 我々はPHISWIDを公開し、水中イメージング技術の進歩に重要なリソースを提供する。
  論文  参考訳（メタデータ） (2024-04-05T10:23:10Z)
• Improving Underwater Visual Tracking With a Large Scale Dataset and Image Enhancement [70.2429155741593]
  本稿では,水中ビジュアルオブジェクト追跡(UVOT)のための新しいデータセットと汎用トラッカ拡張手法を提案する。 水中環境は、一様でない照明条件、視界の低さ、鋭さの欠如、コントラストの低さ、カモフラージュ、懸濁粒子からの反射を示す。 本研究では,追尾品質の向上に特化して設計された水中画像強調アルゴリズムを提案する。 この手法により、最先端(SOTA)ビジュアルトラッカーの最大5.0%のAUCの性能が向上した。
  論文  参考訳（メタデータ） (2023-08-30T07:41:26Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• 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)
• Self-Supervised Monocular Depth Underwater [8.830479021890575]
  近年,単眼画像からの深度推定は大幅に改善されている。 水中環境下では、媒質による外観の変化により、まだ遅れている。 水中環境に対処するための自己監督型フレームワークにいくつかの追加を提案する。
  論文  参考訳（メタデータ） (2022-10-06T20:57:58Z)
• WaterNeRF: Neural Radiance Fields for Underwater Scenes [6.161668246821327]
  我々は、物理インフォームド深度推定と色補正を可能にするために、ニューラルレイディアンス場(NeRF)の最先端技術を進めた。 提案手法であるWaterNeRFは,水中画像形成のための物理モデルを用いてパラメータを推定する。 劣化した画像と修正された水中画像と、シーンの深い深さの新たなビューを作成できる。
  論文  参考訳（メタデータ） (2022-09-27T00:53:26Z)
• 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)
• Progressive Depth Learning for Single Image Dehazing [56.71963910162241]
  既存の脱湿法は、しばしば深度を無視し、より重いヘイズが視界を乱す遠くの地域で失敗する。 画像深度と伝送マップを反復的に推定するディープエンドツーエンドモデルを提案する。 私たちのアプローチは、画像深度と伝送マップの内部関係を明示的にモデリングすることから利益を得ます。
  論文  参考訳（メタデータ） (2021-02-21T05:24:18Z)

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。