論文の概要: Cross-Domain Underwater Image Enhancement Guided by No-Reference Image Quality Assessment: A Transfer Learning Approach
- arxiv url: http://arxiv.org/abs/2503.17937v1
- Date: Sun, 23 Mar 2025 04:40:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:36:40.496062
- Title: Cross-Domain Underwater Image Enhancement Guided by No-Reference Image Quality Assessment: A Transfer Learning Approach
- Title（参考訳）: 非参照画像品質評価法で導かれたクロスドメイン水中画像強調:伝達学習アプローチ
- Authors: Zhi Zhang, Daoyi Chen,
- Abstract要約: 単一水中画像強調(UIE)は難しい問題であるが、その開発は2つの大きな問題によって妨げられている。
水中参照データセットのラベルは擬似ラベルであり、教師付き学習におけるこれらの擬似基底真理を頼りにするとドメインの不一致につながる。
事前学習を通じてUIEの基本パラダイムをキャプチャするトランスUIEモデルを提案する。
- 参考スコア（独自算出の注目度）: 5.324625330944038
- License:
- Abstract: Single underwater image enhancement (UIE) is a challenging ill-posed problem, but its development is hindered by two major issues: (1) The labels in underwater reference datasets are pseudo labels, relying on these pseudo ground truths in supervised learning leads to domain discrepancy. (2) Underwater reference datasets are scarce, making training on such small datasets prone to overfitting and distribution shift. To address these challenges, we propose Trans-UIE, a transfer learning-based UIE model that captures the fundamental paradigms of UIE through pretraining and utilizes a dataset composed of both reference and non-reference datasets for fine-tuning. However, fine-tuning the model using only reconstruction loss may introduce confirmation bias. To mitigate this, our method leverages no-reference image quality assessment (NR-IQA) metrics from above-water scenes to guide the transfer learning process across domains while generating enhanced images with the style of the above-water image domain. Additionally, to reduce the risk of overfitting during the pretraining stage, we introduce Pearson correlation loss. Experimental results on both full-reference and no-reference underwater benchmark datasets demonstrate that Trans-UIE significantly outperforms state-of-the-art methods.
- Abstract（参考訳）: 単一水中画像強調(UIE)は難解な問題であるが,(1)水中参照データセットのラベルは擬似ラベルであり,これらの擬似基底真理を教師付き学習に頼っているため,ドメインの相違が生じる。
2) 水中参照データセットは乏しいため, 過度に適合し, 分散シフトする傾向にある。
これらの課題に対処するために、我々はTrans-UIEモデルを提案する。Trans-UIEは、UIEの基本パラダイムを事前トレーニングによって捉え、参照データセットと非参照データセットの両方からなるデータセットを用いて微調整を行う。
しかし, 復元損失のみを用いた微調整では, 確証バイアスが生じる可能性がある。
これを軽減するため,提案手法では,上水面からの非参照画像品質評価(NR-IQA)メトリクスを利用して,上水領域のスタイルで画像の強化を図りながら,領域間の移動学習プロセスを導出する。
さらに,プレトレーニング段階における過剰適合のリスクを低減するため,ピアソン相関損失を導入する。
完全な参照と非参照の水中ベンチマークデータセットの実験結果は、Trans-UIEが最先端の手法を大幅に上回っていることを示している。
関連論文リスト
- Robust Disaster Assessment from Aerial Imagery Using Text-to-Image Synthetic Data [66.49494950674402]
航空画像からの損傷評価のタスクのための大規模合成監視を作成する際に,新たなテキスト・画像生成モデルを活用する。
低リソース領域から何千ものポストディスアスター画像を生成するために、効率的でスケーラブルなパイプラインを構築しています。
我々は,xBDおよびSKAI画像のクロスジオグラフィー領域転送設定におけるフレームワークの強度を,単一ソースとマルチソースの両方で検証する。
論文 参考訳（メタデータ） (2024-05-22T16:07:05Z) - 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) - 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) - Contrastive Semi-supervised Learning for Underwater Image Restoration
via Reliable Bank [38.46437948000374]
本研究では,未ラベルのデータをネットワークトレーニングに組み込む半教師付き水中画像復元(Semi-UIR)フレームワークを提案する。
まず、信頼度の高い銀行を導入し、「最高の」アウトプットを疑似土台真理として保存する。
完全参照型および非参照型水中ベンチマークによる実験結果から,本アルゴリズムはSOTA法よりも明らかに改善されていることが示された。
論文 参考訳（メタデータ） (2023-03-16T06:14:18Z) - Cross Modal Distillation for Flood Extent Mapping [0.41562334038629595]
本研究では,早期洪水警報システムの浸水検出モジュールの改良を目的としたML手法について検討する。
提案手法は,SAR(Synthetic Aperture Radar)画像とMulti-spectralとSAR(Synthetic Aperture Radar)画像のアンラベリングデータセットを利用する。
論文 参考訳（メタデータ） (2023-02-16T09:57:08Z) - Incorporating Semi-Supervised and Positive-Unlabeled Learning for
Boosting Full Reference Image Quality Assessment [73.61888777504377]
フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。
ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。
本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
論文 参考訳（メタデータ） (2022-04-19T09:10:06Z) - Domain Adaptation for Underwater Image Enhancement [51.71570701102219]
本稿では,ドメイン間およびドメイン内ギャップを最小限に抑えるために,新しい2相水中ドメイン適応ネットワーク(TUDA)を提案する。
第1段階では、入力画像のリアリズムを強化する翻訳部と、拡張部とを含む新しい二重配向ネットワークを設計する。
第2フェーズでは、ランクベースの水中品質評価手法が組み込まれている強化画像の評価品質に応じて、実データを簡単に分類する。
論文 参考訳（メタデータ） (2021-08-22T06:38:19Z) - 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) - Single Underwater Image Restoration by Contrastive Learning [23.500647404118638]
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の最先端化を実現する新しい手法について詳述する。
本手法は,原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対向ネットワークを利用して設計する。
論文 参考訳（メタデータ） (2021-03-17T14:47:03Z)
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。