論文の概要: Physics Informed and Data Driven Simulation of Underwater Images via Residual Learning

• arxiv url: http://arxiv.org/abs/2402.05281v1
• Date: Wed, 7 Feb 2024 21:53:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-09 17:06:14.339720
• Title: Physics Informed and Data Driven Simulation of Underwater Images via Residual Learning
• Title（参考訳）: 残留学習による水中画像の物理情報化とデータ駆動シミュレーション
• Authors: Tanmoy Mondal, Ricardo Mendoza, Lucas Drumetz
• Abstract要約: 一般的に水中の画像は、光が水中を伝播するにつれて減衰し後方散乱するため、色歪みと低コントラストに悩まされる。 既存の単純な劣化モデル(大気画像の「ヘイジング」効果に似ている)は水中画像の劣化を適切に表現するには不十分である。 水中効果を自動的にシミュレートする深層学習型アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 5.095097384893417
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In general, underwater images suffer from color distortion and low contrast, because light is attenuated and backscattered as it propagates through water (differently depending on wavelength and on the properties of the water body). An existing simple degradation model (similar to atmospheric image "hazing" effects), though helpful, is not sufficient to properly represent the underwater image degradation because there are unaccounted for and non-measurable factors e.g. scattering of light due to turbidity of water, reflective characteristics of turbid medium etc. We propose a deep learning-based architecture to automatically simulate the underwater effects where only a dehazing-like image formation equation is known to the network, and the additional degradation due to the other unknown factors if inferred in a data-driven way. We only use RGB images (because in real-time scenario depth image is not available) to estimate the depth image. For testing, we have proposed (due to the lack of real underwater image datasets) a complex image formation model/equation to manually generate images that resemble real underwater images (used as ground truth). However, only the classical image formation equation (the one used for image dehazing) is informed to the network. This mimics the fact that in a real scenario, the physics are never completely known and only simplified models are known. Thanks to the ground truth, generated by a complex image formation equation, we could successfully perform a qualitative and quantitative evaluation of proposed technique, compared to other purely data driven approaches
• Abstract（参考訳）: 一般的に水中の画像は、光が水中を伝播するにつれて減衰し後方散乱されるため、色歪みと低コントラストに悩まされる(波長や水体の性質によって異なる)。 既存の簡易な劣化モデル(大気画像「ハジング」効果に似ている)は有用ではあるが、水の濁度による光の散乱や濁った媒質の反射特性など、測定不能な要因があるため、水中画像の劣化を適切に表現するには不十分である。 データ駆動方式で推定した場合、ネットワークにデハジングのような画像形成方程式しか知られていない水中効果を自動的にシミュレートする深層学習に基づくアーキテクチャと、他の未知の要因による付加的な劣化について提案する。 RGB画像のみを使用し(リアルタイムのシナリオ深度画像が利用できないため)、深度画像を推定する。 テストのために、(実際の水中画像データセットの欠如により)実際の水中画像に類似した画像を手動で生成するための複雑な画像形成モデル/方程式を提案しました。 しかし、このネットワークには、古典的な画像形成方程式(画像デハージングに用いられるもの)のみが通知される。 これは、実際のシナリオでは物理学は完全には知られておらず、単純化されたモデルのみが知られているという事実を模倣している。 複雑な画像形成方程式によって生成された地上の真実のおかげで、提案手法の質的かつ定量的な評価を、他の純粋にデータ駆動の手法と比較して達成できた。

関連論文リスト

• 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)
• 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)
• 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)
• MetaUE: Model-based Meta-learning for Underwater Image Enhancement [25.174894007563374]
  本論文では,様々な水中シナリオ下でクリーンな画像を復元するためのモデルに基づくディープラーニング手法を提案する。 メタラーニング戦略は、合成水中データセット上で事前訓練されたモデルを得るために用いられる。 その後、モデルが実際の水中データセットに微調整され、MetaUEと呼ばれる信頼性の高い水中画像拡張モデルが得られる。
  論文  参考訳（メタデータ） (2023-03-12T02:38:50Z)
• 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)
• Seafloor-Invariant Caustics Removal from Underwater Imagery [0.0]
  コースティックス(英: Caustics)は、波面によって屈折される光線の投射によって生じる複雑な物理現象である。 本研究では,浅海底画像に対する因果関係の影響を補正する新しい手法を提案する。 特に,画像画素を"非因果的"と"因果的"に分類するために,ディープラーニングアーキテクチャを用いた。
  論文  参考訳（メタデータ） (2022-12-20T11:11:02Z)
• Underwater enhancement based on a self-learning strategy and attention mechanism for high-intensity regions [0.0]
  水中活動中に取得した画像は、濁度や光の減衰などの水の環境特性に悩まされる。 水中画像の強化に関する最近の研究と深層学習のアプローチに基づき、合成地下構造を生成する組合わせデータセットの欠如に対処する。 本稿では,ペアデータセットを必要としない深層学習に基づく水中画像強調のための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2022-08-04T19:55:40Z)
• Learning to restore images degraded by atmospheric turbulence using uncertainty [93.72048616001064]
  大気の乱流は、長距離イメージングシステムによって取得された画像の品質を著しく低下させることができる。 本研究では,大気乱流により劣化した1つの画像の復元のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-07T17:24:52Z)
• 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)
• Domain Adaptive Adversarial Learning Based on Physics Model Feedback for Underwater Image Enhancement [10.143025577499039]
  物理モデルに基づくフィードバック制御と,水中画像の高機能化のための領域適応機構を用いた,新しい頑健な対角学習フレームワークを提案する。 水中画像形成モデルを用いてRGB-Dデータから水中訓練データセットをシミュレーションする新しい手法を提案する。 合成および実水中画像の最終的な改良結果は,提案手法の優位性を示している。
  論文  参考訳（メタデータ） (2020-02-20T07:50:00Z)
• Self-Supervised Linear Motion Deblurring [112.75317069916579]
  深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。 本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。 我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
  論文  参考訳（メタデータ） (2020-02-10T20:15:21Z)

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。