論文の概要: A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning
- arxiv url: http://arxiv.org/abs/2405.19684v3
- Date: Wed, 26 Jun 2024 03:28:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-27 18:25:45.712952
- Title: A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning
- Title（参考訳）: 深層学習に基づく水中画像強調に関する総合調査
- Authors: Xiaofeng Cong, Yu Zhao, Jie Gui, Junming Hou, Dacheng Tao,
- Abstract要約: 水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。
多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
- 参考スコア（独自算出の注目度）: 51.7818820745221
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underwater image enhancement (UIE) presents a significant challenge within computer vision research. Despite the development of numerous UIE algorithms, a thorough and systematic review is still absent. To foster future advancements, we provide a detailed overview of the UIE task from several perspectives. Firstly, we introduce the physical models, data construction processes, evaluation metrics, and loss functions. Secondly, we categorize and discuss recent algorithms based on their contributions, considering six aspects: network architecture, learning strategy, learning stage, auxiliary tasks, domain perspective, and disentanglement fusion. Thirdly, due to the varying experimental setups in the existing literature, a comprehensive and unbiased comparison is currently unavailable. To address this, we perform both quantitative and qualitative evaluations of state-of-the-art algorithms across multiple benchmark datasets. Lastly, we identify key areas for future research in UIE. A collection of resources for UIE can be found at {https://github.com/YuZhao1999/UIE}.
- Abstract（参考訳）: 水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。
多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
今後の進歩を促進するため、いくつかの観点からUIEタスクの概要を詳述する。
まず,物理モデル,データ構築プロセス,評価指標,損失関数を紹介する。
次に, ネットワークアーキテクチャ, 学習戦略, 学習段階, 補助タスク, ドメイン・パースペクティブ, および非絡み合い融合の6つの側面を考慮し, 最近のアルゴリズムを分類し, 議論する。
第3に、既存の文献の様々な実験的な設定のため、包括的で偏見のない比較が現在利用できない。
これを解決するために、複数のベンチマークデータセットにまたがる最先端アルゴリズムの定量的および定性的な評価を行う。
最後に,UIEにおける今後の研究の要点を特定する。
UIEのリソースのコレクションは、https://github.com/YuZhao1999/UIE}にある。
関連論文リスト
- SPIQA: A Dataset for Multimodal Question Answering on Scientific Papers [43.18330795060871]
SPIQAは、科学研究論文の文脈内で複雑な図形や表を解釈するために設計されたデータセットである。
データセット作成には自動および手動のキュレーションを使用します。
SPIQAは270Kの質問をトレーニング、検証、3つの異なる評価分割に分割する。
論文 参考訳（メタデータ） (2024-07-12T16:37:59Z) - Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。
また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
論文 参考訳（メタデータ） (2024-05-13T14:44:22Z) - A Survey on Continual Semantic Segmentation: Theory, Challenge, Method and Application [7.595948982978669]
継続的学習は、漸進的学習または生涯学習としても知られ、ディープラーニングとAIシステムの最前線にある。
本稿では,連続的セマンティックセグメンテーション(CSS)について概説する。
現在のCSSモデルを、データ再生とデータフリーセットを含む2つのメインブランチに分類し、分類する。
また、多様なアプリケーションシナリオと開発傾向を持つ4つのCSS特長も導入しています。
論文 参考訳（メタデータ） (2023-10-22T11:53:56Z) - Sea Ice Extraction via Remote Sensed Imagery: Algorithms, Datasets,
Applications and Challenges [2.1059236061864883]
レビューは2016年から現在までの論文に焦点が当てられ、過去5年間のディープラーニングベースのアプローチに特に焦点が当てられている。
我々は,従来の画像分割手法,機械学習に基づく手法,ディープラーニングに基づく手法の3つのカテゴリに分類した。
これらの応用は、気候研究、ナビゲーション、地理情報システム(GIS)生産など4つの側面で紹介される。
論文 参考訳（メタデータ） (2023-06-01T02:50:51Z) - Deep Depth Completion: A Survey [26.09557446012222]
我々は、読者が研究動向をよりよく把握し、現在の進歩を明確に理解するのに役立つ総合的な文献レビューを提供する。
ネットワークアーキテクチャ,損失関数,ベンチマークデータセット,学習戦略の設計面から,関連する研究について検討する。
室内および屋外のデータセットを含む,広く使用されている2つのベンチマークデータセットに対して,モデル性能の定量的比較を行った。
論文 参考訳（メタデータ） (2022-05-11T08:24:00Z) - Fine-Grained Image Analysis with Deep Learning: A Survey [146.22351342315233]
きめ細かい画像解析(FGIA)は、コンピュータビジョンとパターン認識における長年の根本的な問題である。
本稿では、FGIAの分野を再定義し、FGIAの2つの基礎研究領域、細粒度画像認識と細粒度画像検索を統合することで、FGIAの分野を広げようとしている。
論文 参考訳（メタデータ） (2021-11-11T09:43:56Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳（メタデータ） (2021-07-05T16:32:45Z) - A Comprehensive Survey on Image Dehazing Based on Deep Learning [89.77554550654227]
ヘイズの存在は画像の品質を著しく低下させる。
研究者は、ヘイズ画像の品質を回復するために、画像デハージング(ID)のための様々なアルゴリズムを設計した。
ディープラーニング(DL)ベースのデハージング技術を要約した研究はほとんどない。
論文 参考訳（メタデータ） (2021-06-07T03:51:25Z) - Deep Image Retrieval: A Survey [21.209884703192735]
深層学習による画像検索に焦点をあて, 深層ネットワーク構造の種類に応じて, 最先端の手法を整理する。
本調査は,カテゴリベースCBIR分野のグローバルな展望を促進することを目的とした,近年の多種多様な手法について考察する。
論文 参考訳（メタデータ） (2021-01-27T09:32:58Z) - Deep Learning for Person Re-identification: A Survey and Outlook [233.36948173686602]
人物再識別(Re-ID)は、複数の重複しないカメラを通して興味ある人物を検索することを目的としている。
人物のRe-IDシステム開発に関わるコンポーネントを分離することにより、それをクローズドワールドとオープンワールドのセッティングに分類する。
論文 参考訳（メタデータ） (2020-01-13T12:49:22Z)
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。