論文の概要: IDA-UIE: An Iterative Framework for Deep Network-based Degradation Aware Underwater Image Enhancement

• arxiv url: http://arxiv.org/abs/2406.18628v1
• Date: Wed, 26 Jun 2024 16:58:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-28 18:17:19.626532
• Title: IDA-UIE: An Iterative Framework for Deep Network-based Degradation Aware Underwater Image Enhancement
• Title（参考訳）: IDA-UIE:水中画像の強調を意識した深層ネットワークによる劣化の反復的フレームワーク
• Authors: Pranjali Singh, Prithwijit Guha,
• Abstract要約: 水中画像強調に関する最近の研究は、これらの問題に対処するための異なるディープネットワークアーキテクチャを提案している。 特定の条件でトレーニングされたディープネットワークは、すべての劣化事例から学んだ単一のネットワークよりも優れたパフォーマンスをもたらすと考えている。
• 参考スコア（独自算出の注目度）: 2.5628953713168685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater image quality is affected by fluorescence, low illumination, absorption, and scattering. Recent works in underwater image enhancement have proposed different deep network architectures to handle these problems. Most of these works have proposed a single network to handle all the challenges. We believe that deep networks trained for specific conditions deliver better performance than a single network learned from all degradation cases. Accordingly, the first contribution of this work lies in the proposal of an iterative framework where a single dominant degradation condition is identified and resolved. This proposal considers the following eight degradation conditions -- low illumination, low contrast, haziness, blurred image, presence of noise and color imbalance in three different channels. A deep network is designed to identify the dominant degradation condition. Accordingly, an appropriate deep network is selected for degradation condition-specific enhancement. The second contribution of this work is the construction of degradation condition specific datasets from good quality images of two standard datasets (UIEB and EUVP). This dataset is used to learn the condition specific enhancement networks. The proposed approach is found to outperform nine baseline methods on UIEB and EUVP datasets.
• Abstract（参考訳）: 水中画像の品質は蛍光、低照度、吸収、散乱の影響を受けている。 水中画像強調に関する最近の研究は、これらの問題に対処するための異なるディープネットワークアーキテクチャを提案している。 これらの作業の多くは、すべての課題に対処する単一のネットワークを提案している。 特定の条件でトレーニングされたディープネットワークは、すべての劣化事例から学んだ単一のネットワークよりも優れたパフォーマンスをもたらすと考えている。 したがって、この研究の最初の貢献は、単一の支配的な劣化条件を特定し、解決する反復的なフレームワークの提案にある。 この提案では、低照度、低コントラスト、ハジネス、ぼやけた画像、ノイズの有無、色の不均衡の8つの劣化条件について検討する。 ディープネットワークは、支配的な劣化状態を特定するように設計されている。 これにより、劣化条件特異的エンハンスメントのための適切なディープネットワークが選択される。 この研究の第2の貢献は、2つの標準データセット(UIEBとEUVP)の良質な画像から劣化条件特定データセットを構築することである。 このデータセットは、条件特定エンハンスメントネットワークの学習に使用される。 提案手法は、UIEBおよびEUVPデータセット上の9つのベースライン手法より優れている。

関連論文リスト

• 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)
• RAUNE-Net: A Residual and Attention-Driven Underwater Image Enhancement Method [2.6645441842326756]
  水中画像強調(UIE)は、水中環境の特徴的な性質のために課題を提起する。 本稿では、RAUNE-Netと呼ばれるより信頼性が高く合理的なUIEネットワークを提案する。 提案手法は,様々な実世界の水中画像に対して,有望な客観的性能と一貫した視覚的結果を得る。
  論文  参考訳（メタデータ） (2023-11-01T03:00:07Z)
• Semi-supervised Underwater Image Enhancement Using A Physics-Aware Triple-Stream Network [6.7932860553262415]
  我々は、物理に基づく画像形成モデル(IFM)と深層学習技術の両方を水中画像強調(UIE)に活用する。 PATS-UIENetは、直接信号伝送推定水蒸気(D-Stream)、後方信号伝送推定水蒸気(B-Stream)、アンビエント光推定水蒸気(A-Stream)からなる。 また、ラベル付き画像とラベルなし画像の両方を利用して、IFMにインスパイアされた半教師付き学習フレームワークを採用し、不十分なデータの問題に対処する。
  論文  参考訳（メタデータ） (2023-07-21T10:10:18Z)
• 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)
• Learning Deep Context-Sensitive Decomposition for Low-Light Image Enhancement [58.72667941107544]
  典型的なフレームワークは、照明と反射を同時に推定することであるが、特徴空間にカプセル化されたシーンレベルの文脈情報を無視する。 本研究では,空間スケールにおけるシーンレベルのコンテキスト依存を生かした,コンテキスト依存型分解ネットワークアーキテクチャを提案する。 チャネル数を減らして軽量なCSDNet(LiteCSDNet)を開発する。
  論文  参考訳（メタデータ） (2021-12-09T06:25:30Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Iterative Network for Image Super-Resolution [69.07361550998318]
  単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。 本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。 反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
  論文  参考訳（メタデータ） (2020-05-20T11:11:47Z)
• Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
  本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。 特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
  論文  参考訳（メタデータ） (2020-03-02T13:28:32Z)

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。