Fugu-MT 論文翻訳(概要): UMono: Physical Model Informed Hybrid CNN-Transformer Framework for Underwater Monocular Depth Estimation

論文の概要: UMono: Physical Model Informed Hybrid CNN-Transformer Framework for Underwater Monocular Depth Estimation

arxiv url: http://arxiv.org/abs/2407.17838v1
Date: Thu, 25 Jul 2024 07:52:11 GMT
ステータス: 処理完了
システム内更新日: 2024-07-26 14:57:53.987523
Title: UMono: Physical Model Informed Hybrid CNN-Transformer Framework for Underwater Monocular Depth Estimation
Title（参考訳）: UMono: 水中単分子深度推定のための物理モデルインフォームドハイブリッドCNN変換器フレームワーク
Authors: Jian Wang, Jing Wang, Shenghui Rong, Bo He,
Abstract要約: 水中の単分子深度推定は、水中のシーンの3次元再構成などの作業の基礎となる。既存の手法では、水中環境の特徴を考慮できない。本稿では,UMonoと呼ばれる水中単分子深度推定のためのエンドツーエンド学習フレームワークについて述べる。
参考スコア（独自算出の注目度）: 5.596432047035205
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Underwater monocular depth estimation serves as the foundation for tasks such as 3D reconstruction of underwater scenes. However, due to the influence of light and medium, the underwater environment undergoes a distinctive imaging process, which presents challenges in accurately estimating depth from a single image. The existing methods fail to consider the unique characteristics of underwater environments, leading to inadequate estimation results and limited generalization performance. Furthermore, underwater depth estimation requires extracting and fusing both local and global features, which is not fully explored in existing methods. In this paper, an end-to-end learning framework for underwater monocular depth estimation called UMono is presented, which incorporates underwater image formation model characteristics into network architecture, and effectively utilize both local and global features of underwater image. Experimental results demonstrate that the proposed method is effective for underwater monocular depth estimation and outperforms the existing methods in both quantitative and qualitative analyses.
Abstract（参考訳）: 水中の単分子深度推定は、水中のシーンの3次元再構成などの作業の基礎となる。しかし、光と媒質の影響により、水中環境は独特の撮像プロセスを行い、単一の画像から深度を正確に推定する課題が提示される。従来の手法では水中環境の特異な特性を考慮できなかったため,不適切な推定結果と限定的な一般化性能が得られた。さらに、水中深度推定には、既存の手法では十分に調査されていない局所的特徴と大域的特徴の両方を抽出し、融合する必要がある。本稿では,水中画像生成モデルの特徴をネットワークアーキテクチャに組み込んだ,水中画像の局所的特徴とグローバル的特徴の両面を効果的に活用する,UMonoと呼ばれる水中単眼深度推定のためのエンドツーエンド学習フレームワークを提案する。実験により, 提案手法は水中単分子深度推定に有効であり, 定量および定性解析の両方において既存手法より優れていることが示された。

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)
FAFA: Frequency-Aware Flow-Aided Self-Supervision for Underwater Object Pose Estimation [65.01601309903971]
無人水中車両(UUV)の6次元ポーズ推定のための周波数認識フロー支援フレームワークであるFAFAを紹介する。我々のフレームワークは、3DモデルとRGB画像のみに依存しており、実際のポーズアノテーションや奥行きのような非モダリティデータの必要性を軽減しています。本研究では,一般的な水中オブジェクトポーズベンチマークにおけるFAFAの有効性を評価し,最先端手法と比較して顕著な性能向上を示した。
論文参考訳（メタデータ） (2024-09-25T03:54:01Z)
ScaleDepth: Decomposing Metric Depth Estimation into Scale Prediction and Relative Depth Estimation [62.600382533322325]
本研究では,新しい単分子深度推定法であるScaleDepthを提案する。提案手法は,距離深度をシーンスケールと相対深度に分解し,セマンティック・アウェア・スケール予測モジュールを用いて予測する。本手法は,室内と屋外の両方のシーンを統一した枠組みで距離推定する。
論文参考訳（メタデータ） (2024-07-11T05:11:56Z)
A Physical Model-Guided Framework for Underwater Image Enhancement and Depth Estimation [19.204227769408725]
既存の水中画像強調手法では、深度や対光といった画像モデルパラメータを正確に推定することができない。先進的なUIEモデルとDeep Degradation Modelを併用したモデル誘導フレームワークを提案する。本フレームワークは水中の多様なシーンにまたがって顕著な拡張効果をもたらす。
論文参考訳（メタデータ） (2024-07-05T03:10:13Z)
WaterMono: Teacher-Guided Anomaly Masking and Enhancement Boosting for Robust Underwater Self-Supervised Monocular Depth Estimation [4.909989222186828]
深度推定と画像強調のための新しいフレームワークであるWaterMonoを提案する。 1)教師が指導する異常マスクを用いて画像内の動的領域を識別し,(2)水中画像形成モデルと組み合わせた深度情報を用いて深度推定タスクに寄与する拡張画像を生成し,(3)回転蒸留手法を用いてモデルの回転ロバスト性を高める。
論文参考訳（メタデータ） (2024-06-19T08:49:45Z)
Atlantis: Enabling Underwater Depth Estimation with Stable Diffusion [30.122666238416716]
正確な地球深度データを用いて水中画像を生成する新しいパイプラインを提案する。このアプローチは、水中深度推定のための教師付きモデルのトレーニングを容易にする。我々は、特別に作成された水中、深度、テキストデータ三重項に基づいて訓練された独自のDepth2Underwater ControlNetを導入する。
論文参考訳（メタデータ） (2023-12-19T08:56:33Z)
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)
WaterNeRF: Neural Radiance Fields for Underwater Scenes [6.161668246821327]
我々は、物理インフォームド深度推定と色補正を可能にするために、ニューラルレイディアンス場(NeRF)の最先端技術を進めた。提案手法であるWaterNeRFは,水中画像形成のための物理モデルを用いてパラメータを推定する。劣化した画像と修正された水中画像と、シーンの深い深さの新たなビューを作成できる。
論文参考訳（メタデータ） (2022-09-27T00:53:26Z)
Adversarial Domain Feature Adaptation for Bronchoscopic Depth Estimation [111.89519571205778]
そこで本研究では,深度推定のためのドメイン適応手法を提案する。提案する2段階構造は,まず,ラベル付き合成画像を用いた深度推定ネットワークを教師付きで訓練する。実験の結果,提案手法は実画像上でのネットワーク性能をかなりの差で向上させることがわかった。
論文参考訳（メタデータ） (2021-09-24T08:11:34Z)
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)

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。