論文の概要: DPF-Net: Physical Imaging Model Embedded Data-Driven Underwater Image Enhancement

• arxiv url: http://arxiv.org/abs/2503.12470v1
• Date: Sun, 16 Mar 2025 11:53:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:29:14.954780
• Title: DPF-Net: Physical Imaging Model Embedded Data-Driven Underwater Image Enhancement
• Title（参考訳）: DPF-Net:データ駆動水中画像強調を用いた物理画像モデル
• Authors: Han Mei, Kunqian Li, Shuaixin Liu, Chengzhi Ma, Qianli Jiang,
• Abstract要約: 本研究では,データ駆動・物理パラメータ融合ネットワーク(DPF-Net)と呼ばれる2段階水中画像強調ネットワークを提案する。 データ駆動方式の一般性と効率性とともに、物理画像モデルの堅牢性を利用する。 提案するDPF-Netは,複数のテストセットにまたがる他のベンチマーク手法と比較して,優れた性能を示す。
• 参考スコア（独自算出の注目度）: 2.1953477234116705
• License:
• Abstract: Due to the complex interplay of light absorption and scattering in the underwater environment, underwater images experience significant degradation. This research presents a two-stage underwater image enhancement network called the Data-Driven and Physical Parameters Fusion Network (DPF-Net), which harnesses the robustness of physical imaging models alongside the generality and efficiency of data-driven methods. We first train a physical parameter estimate module using synthetic datasets to guarantee the trustworthiness of the physical parameters, rather than solely learning the fitting relationship between raw and reference images by the application of the imaging equation, as is common in prior studies. This module is subsequently trained in conjunction with an enhancement network, where the estimated physical parameters are integrated into a data-driven model within the embedding space. To maintain the uniformity of the restoration process amid underwater imaging degradation, we propose a physics-based degradation consistency loss. Additionally, we suggest an innovative weak reference loss term utilizing the entire dataset, which alleviates our model's reliance on the quality of individual reference images. Our proposed DPF-Net demonstrates superior performance compared to other benchmark methods across multiple test sets, achieving state-of-the-art results. The source code and pre-trained models are available on the project home page: https://github.com/OUCVisionGroup/DPF-Net.
• Abstract（参考訳）: 水中環境における光吸収と散乱の複雑な相互作用により、水中画像は著しく劣化する。 本研究ではデータ駆動・物理パラメータ融合ネットワーク(DPF-Net)と呼ばれる2段階の水中画像強調ネットワークを提案する。 まず, 画像解析式の適用により, 原画像と参照画像の適合関係のみを学習するのではなく, 物理パラメータの信頼性を保証するために, 合成データセットを用いて物理パラメータ推定モジュールを訓練する。 このモジュールはその後、拡張ネットワークと連携してトレーニングされ、推定された物理パラメータは埋め込み空間内のデータ駆動モデルに統合される。 水中画像劣化に伴う復元過程の均一性を維持するため,物理に基づく劣化一貫性損失を提案する。 さらに、データセット全体を利用した革新的な弱い参照損失項を提案し、それによって個々の参照画像の品質への依存が軽減される。 提案するDPF-Netは,複数のテストセットにまたがる他のベンチマーク手法よりも優れた性能を示し,最先端の結果が得られた。 ソースコードと事前トレーニングされたモデルはプロジェクトのホームページで公開されている。

関連論文リスト

• PIGUIQA: A Physical Imaging Guided Perceptual Framework for Underwater Image Quality Assessment [59.9103803198087]
  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。
  論文  参考訳（メタデータ） (2024-12-20T03:31:45Z)
• UIE-UnFold: Deep Unfolding Network with Color Priors and Vision Transformer for Underwater Image Enhancement [27.535028176427623]
  水中画像強調(UIE)は様々な海洋用途において重要な役割を担っている。 現在の学習に基づくアプローチは、水中画像形成に関わる物理過程に関する明確な事前知識を欠いていることが多い。 そこで本稿では,UIEのカラープリエントとステージ間特徴付与を統合した新しいディープ・アンフォールディング・ネットワーク(DUN)を提案する。
  論文  参考訳（メタデータ） (2024-08-20T08:48:33Z)
• Physics-Inspired Synthesized Underwater Image Dataset [9.117162374919715]
  PHISWIDは、物理にインスパイアされた画像合成による水中画像処理の強化に適したデータセットである。 我々のデータセットは水中画像処理の発展に寄与する。
  論文  参考訳（メタデータ） (2024-04-05T10:23:10Z)
• ImageNet-D: Benchmarking Neural Network Robustness on Diffusion Synthetic Object [78.58860252442045]
  我々は、深層モデルの堅牢性をベンチマークするハードイメージのためのデータソースとして、生成モデルを紹介した。 このベンチマークを ImageNet-D と呼ぶ以前の作業よりも、背景、テクスチャ、材料が多様化したイメージを生成することができます。 我々の研究は、拡散モデルが視覚モデルをテストするのに効果的な情報源となることを示唆している。
  論文  参考訳（メタデータ） (2024-03-27T17:23:39Z)
• 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)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• 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)
• Shared Prior Learning of Energy-Based Models for Image Reconstruction [69.72364451042922]
  本研究では,地中真理データを含まないトレーニングに特化して設計された画像再構成のための新しい学習ベースフレームワークを提案する。 基底真理データがない場合には、損失関数をパッチベースのワッサーシュタイン関数に変更する。 共用事前学習では、上記の最適制御問題と正規化器の共用学習パラメータを同時に最適化する。
  論文  参考訳（メタデータ） (2020-11-12T17:56:05Z)

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。