論文の概要: PIGUIQA: A Physical Imaging Guided Perceptual Framework for Underwater Image Quality Assessment

• arxiv url: http://arxiv.org/abs/2412.15527v2
• Date: Thu, 06 Mar 2025 03:19:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:55:09.684458
• Title: PIGUIQA: A Physical Imaging Guided Perceptual Framework for Underwater Image Quality Assessment
• Title（参考訳）: PIGUIQA:水中画像品質評価のための物理画像ガイド型知覚フレームワーク
• Authors: Weizhi Xian, Mingliang Zhou, Leong Hou U, Lang Shujun, Bin Fang, Tao Xiang, Zhaowei Shang, Weijia Jia,
• Abstract要約: 水中画像品質評価(UIQA)のための物理画像ガイド型知覚フレームワークを提案する。 水中放射移動理論を応用して、物理に基づく画像推定を統合して、これらの歪みの定量的な測定値を確立する。 提案モデルは,画像品質のスコアを正確に予測し,最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 59.9103803198087
• License:
• Abstract: In this paper, we propose a Physical Imaging Guided perceptual framework for Underwater Image Quality Assessment (UIQA), termed PIGUIQA. First, we formulate UIQA as a comprehensive problem that considers the combined effects of direct transmission attenuation and backward scattering on image perception. By leveraging underwater radiative transfer theory, we systematically integrate physics-based imaging estimations to establish quantitative metrics for these distortions. Second, recognizing spatial variations in image content significance and human perceptual sensitivity to distortions, we design a module built upon a neighborhood attention mechanism for local perception of images. This module effectively captures subtle features in images, thereby enhancing the adaptive perception of distortions on the basis of local information. Third, by employing a global perceptual aggregator that further integrates holistic image scene with underwater distortion information, the proposed model accurately predicts image quality scores. Extensive experiments across multiple benchmarks demonstrate that PIGUIQA achieves state-of-the-art performance while maintaining robust cross-dataset generalizability. The implementation is publicly available at https://anonymous.4open.science/r/PIGUIQA-A465/
• Abstract（参考訳）: 本稿では,水中画像品質評価(UIQA)のための物理画像ガイド型知覚フレームワークであるPIGUIQAを提案する。 まず,直接透過減衰と後方散乱が画像知覚に与える影響を総合的に検討する。 水中放射移動理論を応用して, 物理に基づく画像推定を体系的に統合し, これらの歪みの定量的測定値を確立する。 第2に、画像の局所的な知覚のための周辺注意機構に基づくモジュールを設計し、画像内容の重要度と人間の歪みに対する知覚感度の空間的変化を認識する。 このモジュールは画像の微妙な特徴を効果的に捉え、局所情報に基づいて歪みの適応知覚を高める。 第三に、全体像シーンを水中歪み情報と統合するグローバルな知覚アグリゲータを用いて、提案モデルは、画像品質スコアを正確に予測する。 複数のベンチマークにわたる大規模な実験により、PIGUIQAは、堅牢なクロスデータセットの一般化性を維持しながら、最先端のパフォーマンスを達成することが示された。 実装はhttps://anonymous.4open.science/r/PIGUIQA-A465/で公開されている。

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)
• 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)
• 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)
• 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)
• DeepWSD: Projecting Degradations in Perceptual Space to Wasserstein Distance in Deep Feature Space [67.07476542850566]
  本稿では,統計的分布の観点から知覚空間の品質劣化をモデル化する。 品質は、深い特徴領域におけるワッサーシュタイン距離に基づいて測定される。 ニューラルネットワークの特徴に基づいて実行されるディープワッサースタイン距離(ディープWSD)は、品質汚染のより良い解釈性をもたらす。
  論文  参考訳（メタデータ） (2022-08-05T02:46:12Z)
• UIF: An Objective Quality Assessment for Underwater Image Enhancement [17.145844358253164]
  水中画像の客観的評価のための水中画像忠実度(UIF)指標を提案する。 これらの画像の統計的特徴を利用して,自然度,鋭度,構造的特徴を抽出する。 実験の結果,提案したUIFは水中および汎用画像品質指標より優れていたことが確認された。
  論文  参考訳（メタデータ） (2022-05-19T08:43:47Z)
• 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。