論文の概要: Dual High-Order Total Variation Model for Underwater Image Restoration
- arxiv url: http://arxiv.org/abs/2407.14868v1
- Date: Sat, 20 Jul 2024 13:06:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-23 20:32:23.197619
- Title: Dual High-Order Total Variation Model for Underwater Image Restoration
- Title（参考訳）: 水中画像復元のための2次高次全変動モデル
- Authors: Yuemei Li, Guojia Hou, Peixian Zhuang, Zhenkuan Pan,
- Abstract要約: 水中画像の高画質化と復元(UIER)は,水中画像の画質向上のための重要な手段である。
拡張水中画像形成モデル(UIFM)に基づく効果的な変分フレームワークを提案する。
提案フレームワークでは,重み係数に基づく色補正とカラーバランスを組み合わせることで,減衰した色チャネルを補償し,色キャストを除去する。
- 参考スコア（独自算出の注目度）: 13.789310785350484
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underwater images are typically characterized by color cast, haze, blurring, and uneven illumination due to the selective absorption and scattering when light propagates through the water, which limits their practical applications. Underwater image enhancement and restoration (UIER) is one crucial mode to improve the visual quality of underwater images. However, most existing UIER methods concentrate on enhancing contrast and dehazing, rarely pay attention to the local illumination differences within the image caused by illumination variations, thus introducing some undesirable artifacts and unnatural color. To address this issue, an effective variational framework is proposed based on an extended underwater image formation model (UIFM). Technically, dual high-order regularizations are successfully integrated into the variational model to acquire smoothed local ambient illuminance and structure-revealed reflectance in a unified manner. In our proposed framework, the weight factors-based color compensation is combined with the color balance to compensate for the attenuated color channels and remove the color cast. In particular, the local ambient illuminance with strong robustness is acquired by performing the local patch brightest pixel estimation and an improved gamma correction. Additionally, we design an iterative optimization algorithm relying on the alternating direction method of multipliers (ADMM) to accelerate the solution of the proposed variational model. Considerable experiments on three real-world underwater image datasets demonstrate that the proposed method outperforms several state-of-the-art methods with regard to visual quality and quantitative assessments. Moreover, the proposed method can also be extended to outdoor image dehazing, low-light image enhancement, and some high-level vision tasks. The code is available at https://github.com/Hou-Guojia/UDHTV.
- Abstract（参考訳）: 水中画像は、光が水中を伝播する際に選択的に吸収され散乱するため、カラーキャスト、ヘイズ、ぼかし、不均一な照明によって特徴付けられる。
水中画像の高画質化と復元(UIER)は,水中画像の画質向上のための重要な手段である。
しかし、既存のUIER手法の多くはコントラストの強化と脱湿に集中しており、照明のバリエーションに起因する画像内の局所的な照明の違いにはほとんど注意を払わず、望ましくないアーティファクトや不自然な色を導入している。
この問題に対処するために,拡張水中画像形成モデル(UIFM)に基づく効果的な変分フレームワークを提案する。
技術的には、二重高次正規化は変動モデルにうまく統合され、滑らかな局所環境照度と構造反転反射率を統一的に取得する。
提案フレームワークでは,重み係数に基づく色補正とカラーバランスを組み合わせることで,減衰した色チャネルを補償し,色キャストを除去する。
特に、局所パッチ輝度推定と改良されたガンマ補正を行うことにより、強靭性を有する局所環境照度を得る。
さらに,提案した変分モデルの解を高速化するために,乗算器の交互方向法(ADMM)に依存する反復最適化アルゴリズムを設計する。
3つの実世界の水中画像データセットに関する検討実験により、提案手法は視覚的品質と定量的評価に関していくつかの最先端の手法より優れていることを示した。
さらに,提案手法は,アウトドアイメージデハージング,低照度画像強調,高レベル視覚タスクにも拡張可能である。
コードはhttps://github.com/Hou-Guojia/UDHTVで入手できる。
関連論文リスト
- Diving into Darkness: A Dual-Modulated Framework for High-Fidelity
Super-Resolution in Ultra-Dark Environments [51.58771256128329]
本稿では,低照度超解像課題の性質を深く理解しようとする,特殊二変調学習フレームワークを提案する。
Illuminance-Semantic Dual Modulation (ISDM) コンポーネントを開発した。
包括的実験は、我々のアプローチが多様で挑戦的な超低照度条件に適用可能であることを示す。
論文 参考訳（メタデータ） (2023-09-11T06:55:32Z) - WaterFlow: Heuristic Normalizing Flow for Underwater Image Enhancement
and Beyond [52.27796682972484]
既存の水中画像強調法は, 画像品質の向上に重点を置いており, 実践への影響を無視している。
本稿では,検出駆動型水中画像強調のための正規化フローであるWaterFlowを提案する。
微分可能性や解釈可能性を考慮すると、事前をデータ駆動マッピング手法に組み込む。
論文 参考訳（メタデータ） (2023-08-02T04:17:35Z) - LLDiffusion: Learning Degradation Representations in Diffusion Models
for Low-Light Image Enhancement [118.83316133601319]
現在の低照度画像強調(LLIE)の深層学習法は、通常、ペア化されたデータから学んだピクセルワイドマッピングに依存している。
本稿では,拡散モデルを用いたLLIEの劣化認識学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-27T07:22:51Z) - 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) - Underwater Image Enhancement via Medium Transmission-Guided Multi-Color
Space Embedding [88.46682991985907]
本稿では,Ucolor と呼ばれる媒体透過誘導多色空間埋め込みによる水中画像強調ネットワークを提案する。
当社のネットワークは、複数の色空間を埋め込むことにより、水中画像の視覚的品質を効果的に改善できます。
論文 参考訳（メタデータ） (2021-04-27T07:35:30Z) - Enhancing Underwater Image via Adaptive Color and Contrast Enhancement,
and Denoising [2.298932494750101]
水中画像強調のためのアダプティブカラーとコントラスト強調、およびACCE-D(Denoising)フレームワークを提案する。
我々は,acceの数値解法を導出し,解法を高速化するためにピラミッド型戦略を採用する。
実験の結果,提案手法は色補正,視認性向上,詳細表示に有効であることがわかった。
論文 参考訳（メタデータ） (2021-04-02T14:37:20Z) - Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。
カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。
LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
論文 参考訳（メタデータ） (2021-03-19T04:00:27Z) - Underwater Image Color Correction by Complementary Adaptation [0.0]
本稿では,CIELAB色空間におけるTikhonov型最適化モデルに基づく水中色補正手法を提案する。
本手法は, 長期適応プロセスとして, 水中色キャストを効果的に除去し, バランスの取れた色分布を得る。
論文 参考訳（メタデータ） (2020-10-21T03:59:22Z) - Low-Light Maritime Image Enhancement with Regularized Illumination
Optimization and Deep Noise Suppression [5.401654133604235]
本稿では,照明の正規化と雑音抑圧による低照度画像の高精細化を提案する。
人工海事画像と現実海事画像の総合的な実験を行い,提案手法と最先端画像との比較を行った。
論文 参考訳（メタデータ） (2020-08-09T17:05:23Z) - Low-light Image Enhancement Using the Cell Vibration Model [12.400040803969501]
低い光は、画像の品質を低下させ、視覚的なタスクの失敗を引き起こす可能性が非常に高い。
そこで本研究では,新しい低照度画像の輝度向上手法を提案する。
実験の結果,提案アルゴリズムは9つの最先端手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-06-03T13:39:10Z) - Underwater image enhancement with Image Colorfulness Measure [7.292965806774365]
トレーニング可能なエンドツーエンドニューラルモデルである新しいエンハンスメントモデルを提案する。
より詳細に、コントラストとカラフルネスのために、この拡張ネットワークはピクセルレベルと特性レベルのトレーニング基準によって共同で最適化されている。
論文 参考訳（メタデータ） (2020-04-18T12:44:57Z)
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。