論文の概要: MuLA-GAN: Multi-Level Attention GAN for Enhanced Underwater Visibility
- arxiv url: http://arxiv.org/abs/2312.15633v1
- Date: Mon, 25 Dec 2023 07:33:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 17:18:19.895704
- Title: MuLA-GAN: Multi-Level Attention GAN for Enhanced Underwater Visibility
- Title（参考訳）: MuLA-GAN:水中可視性向上のためのマルチレベル注意GAN
- Authors: Ahsan Baidar Bakht, Zikai Jia, Muhayy ud Din, Waseem Akram, Lyes Saad
Soud, Lakmal Seneviratne, Defu Lin, Shaoming He and Irfan Hussain
- Abstract要約: 本稿では,総合的な水中画像強調のためのGAN(Geneversarative Adrial Networks)とマルチレベルアテンション機構の相乗効果を利用した新しいアプローチであるMuLA-GANを紹介する。
本モデルは,水中画像の複雑な細部を捉え保存することに優れており,様々な用途に欠かせない。
この研究は、水中画像の強調における重要な研究ギャップに対処するだけでなく、GANの強化におけるマルチレベル注意の重要性を浮き彫りにしている。
- 参考スコア（独自算出の注目度）: 1.9272863690919875
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The underwater environment presents unique challenges, including color
distortions, reduced contrast, and blurriness, hindering accurate analysis. In
this work, we introduce MuLA-GAN, a novel approach that leverages the
synergistic power of Generative Adversarial Networks (GANs) and Multi-Level
Attention mechanisms for comprehensive underwater image enhancement. The
integration of Multi-Level Attention within the GAN architecture significantly
enhances the model's capacity to learn discriminative features crucial for
precise image restoration. By selectively focusing on relevant spatial and
multi-level features, our model excels in capturing and preserving intricate
details in underwater imagery, essential for various applications. Extensive
qualitative and quantitative analyses on diverse datasets, including UIEB test
dataset, UIEB challenge dataset, U45, and UCCS dataset, highlight the superior
performance of MuLA-GAN compared to existing state-of-the-art methods.
Experimental evaluations on a specialized dataset tailored for bio-fouling and
aquaculture applications demonstrate the model's robustness in challenging
environmental conditions. On the UIEB test dataset, MuLA-GAN achieves
exceptional PSNR (25.59) and SSIM (0.893) scores, surpassing Water-Net, the
second-best model, with scores of 24.36 and 0.885, respectively. This work not
only addresses a significant research gap in underwater image enhancement but
also underscores the pivotal role of Multi-Level Attention in enhancing GANs,
providing a novel and comprehensive framework for restoring underwater image
quality.
- Abstract（参考訳）: 水中環境は、色歪み、コントラストの減少、ぼやけなど固有の課題を示し、正確な分析を妨げる。
本研究では,総合的な水中画像強調のためのGAN(Generative Adversarial Networks)とマルチレベルアテンション機構の相乗効果を利用した新しいアプローチであるMuLA-GANを紹介する。
GANアーキテクチャにおけるマルチレベル注意の統合により、正確な画像復元に不可欠な識別的特徴を学習する能力が大幅に向上する。
関連する空間的・多レベルな特徴に選択的に焦点を合わせることで,様々な応用に不可欠な水中画像の複雑な詳細を捉え,保存することができる。
UIEBテストデータセット、UIEBチャレンジデータセット、U45、UCCSデータセットなど、さまざまなデータセットの大規模な質的および定量的分析は、既存の最先端メソッドと比較して、MuLA-GANの優れたパフォーマンスを強調している。
バイオファウリングや養殖の応用に適した特殊なデータセットに関する実験的評価は, 環境問題におけるモデルの堅牢性を示すものである。
UIEBテストデータセットでは、 MuLA-GAN は例外的な PSNR (25.59) と SSIM (0.893) のスコアを達成し、それぞれ 24.36 と 0.885 のスコアを持つ第2ベットモデルである Water-Net を上回っている。
この研究は、水中画像の強化における重要な研究ギャップに対処するだけでなく、GANの強化におけるマルチレベル注意の重要性を浮き彫りにした。
関連論文リスト
- UW-SDF: Exploiting Hybrid Geometric Priors for Neural SDF Reconstruction from Underwater Multi-view Monocular Images [63.32490897641344]
ニューラルSDFに基づく多視点水中画像から対象物を再構成するフレームワークを提案する。
再建過程を最適化するためのハイブリッドな幾何学的先行手法を導入し、神経SDF再建の質と効率を著しく向上させる。
論文 参考訳（メタデータ） (2024-10-10T16:33:56Z) - UIE-UnFold: Deep Unfolding Network with Color Priors and Vision Transformer for Underwater Image Enhancement [27.535028176427623]
水中画像強調(UIE)は様々な海洋用途において重要な役割を担っている。
現在の学習に基づくアプローチは、水中画像形成に関わる物理過程に関する明確な事前知識を欠いていることが多い。
そこで本稿では,UIEのカラープリエントとステージ間特徴付与を統合した新しいディープ・アンフォールディング・ネットワーク(DUN)を提案する。
論文 参考訳（メタデータ） (2024-08-20T08:48:33Z) - Opinion-Unaware Blind Image Quality Assessment using Multi-Scale Deep Feature Statistics [54.08757792080732]
我々は,事前学習された視覚モデルからの深い特徴を統計的解析モデルと統合して,意見認識のないBIQA(OU-BIQA)を実現することを提案する。
提案モデルは,最先端のBIQAモデルと比較して,人間の視覚的知覚との整合性に優れる。
論文 参考訳（メタデータ） (2024-05-29T06:09:34Z) - Separated Attention: An Improved Cycle GAN Based Under Water Image Enhancement Method [0.0]
我々は、損失関数を改良した最先端のサイクルGANモデルのサイクル一貫した学習手法を利用した。
我々は、ベンチマークしたEnhancing Underwater Visual Perceptionデータセット上で、修正された損失関数を用いてCycle GANモデルを訓練した。
アップグレードされた画像は、従来のモデルによるより良い結果を提供し、さらに水中ナビゲーション、ポーズ推定、サリエンシ予測、物体の検出と追跡を行う。
論文 参考訳（メタデータ） (2024-04-11T11:12:06Z) - Diffusion Model Based Visual Compensation Guidance and Visual Difference
Analysis for No-Reference Image Quality Assessment [82.13830107682232]
本稿では, 複雑な関係をモデル化する能力を示す, 最先端(SOTA)生成モデルを提案する。
生成した拡張画像とノイズを含む画像を利用する新しい拡散復元ネットワークを考案する。
2つの視覚評価枝は、得られた高レベル特徴情報を包括的に解析するように設計されている。
論文 参考訳（メタデータ） (2024-02-22T09:39:46Z) - 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) - 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) - 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) - A Novel Underwater Image Enhancement and Improved Underwater Biological
Detection Pipeline [8.326477369707122]
本稿では, YOLOv5 バックボーンに畳み込みブロックアテンションモジュール (CBAM) を付加した特徴情報を取得する手法を提案する。
物体特性に対する水中生物特性の干渉が減少し、対象情報に対するバックボーンネットワークの出力が向上する。
論文 参考訳（メタデータ） (2022-05-20T14:18:17Z) - 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) - Simultaneous Enhancement and Super-Resolution of Underwater Imagery for
Improved Visual Perception [17.403133838762447]
水中ロボットの視力向上と超高分解能化(SESR)を同時に行う。
本稿では,2倍,3倍,あるいは4倍の空間分解能で知覚的画質の復元を学習できる残差ネットワークベース生成モデルであるDeep SESRを提案する。
論文 参考訳（メタデータ） (2020-02-04T07:07:08Z)
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。