論文の概要: Knowledge Distillation for Underwater Feature Extraction and Matching via GAN-synthesized Images
- arxiv url: http://arxiv.org/abs/2504.08253v1
- Date: Fri, 11 Apr 2025 04:34:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-14 14:18:55.839641
- Title: Knowledge Distillation for Underwater Feature Extraction and Matching via GAN-synthesized Images
- Title（参考訳）: GAN合成画像による水中特徴抽出とマッチングのための知識蒸留
- Authors: Jinghe Yang, Mingming Gong, Ye Pu,
- Abstract要約: 本稿では,濁った水中環境における特徴抽出とマッチングの堅牢性を向上させることを目的としている。
まず,水パラメータと水中雑音分布を推定する適応的なGAN合成法を提案する。
次に、異なる教師モデルと互換性のある一般知識蒸留フレームワークを導入する。
- 参考スコア（独自算出の注目度）: 40.403791826344275
- License:
- Abstract: Autonomous Underwater Vehicles (AUVs) play a crucial role in underwater exploration. Vision-based methods offer cost-effective solutions for localization and mapping in the absence of conventional sensors like GPS and LIDAR. However, underwater environments present significant challenges for feature extraction and matching due to image blurring and noise caused by attenuation, scattering, and the interference of \textit{marine snow}. In this paper, we aim to improve the robustness of the feature extraction and matching in the turbid underwater environment using the cross-modal knowledge distillation method that transfers the in-air feature extraction models to underwater settings using synthetic underwater images as the medium. We first propose a novel adaptive GAN-synthesis method to estimate water parameters and underwater noise distribution, to generate environment-specific synthetic underwater images. We then introduce a general knowledge distillation framework compatible with different teacher models. The evaluation of GAN-based synthesis highlights the significance of the new components, i.e. GAN-synthesized noise and forward scattering, in the proposed model. Additionally, the downstream application of feature extraction and matching (VSLAM) on real underwater sequences validates the effectiveness of the transferred model.
- Abstract（参考訳）: 自律型水中車両(AUV)は水中探査において重要な役割を担っている。
ビジョンベースの手法は、GPSやLIDARのような従来のセンサーがない場合に、ローカライズとマッピングのためのコスト効率の良いソリューションを提供する。
しかし, 水中環境は, 減衰, 散乱, および<textit{marine snow} の干渉による画像のぼかしやノイズによる特徴抽出やマッチングに重要な課題を呈している。
本稿では, 水中環境における特徴抽出とマッチングの堅牢性を向上させるために, 合成水中画像を媒体として, 大気中の特徴抽出モデルを水中環境に伝達するクロスモーダル知識蒸留法を提案する。
まず, 環境特異的な合成水中画像を生成するために, 水パラメータと水中雑音分布を推定する適応的なGAN合成法を提案する。
次に、異なる教師モデルと互換性のある一般知識蒸留フレームワークを導入する。
GAN合成の評価は,提案モデルにおける新しい成分,すなわちGAN合成ノイズと前方散乱の重要性を強調している。
さらに, 実水中における特徴抽出およびマッチング(VSLAM)の下流適用により, 伝達モデルの有効性が検証された。
関連論文リスト
- Phaseformer: Phase-based Attention Mechanism for Underwater Image Restoration and Beyond [25.975859029063585]
水中画像復元(UIR)のための1.77Mパラメータを持つ軽量位相変換器ネットワークを提案する。
本手法は,位相に基づく自己認識機構を用いて,非汚染特徴を効果的に抽出することに焦点を当てる。
LOLデータセットを用いた低照度画像強調の有効性を示す。
論文 参考訳（メタデータ） (2024-12-02T12:48:19Z) - 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) - UMono: Physical Model Informed Hybrid CNN-Transformer Framework for Underwater Monocular Depth Estimation [5.596432047035205]
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。
論文 参考訳（メタデータ） (2024-07-25T07:52:11Z) - A deep learning approach for marine snow synthesis and removal [55.86191108738564]
本稿では,深層学習技術を用いた海洋雪の干渉低減手法を提案する。
まず,GAN(Generative Adversarial Network)モデルを用いて,現実的な積雪サンプルを合成する。
次に、画像から画像への変換タスクとして海洋性除雪を行うためにU-Netモデルを訓練する。
論文 参考訳（メタデータ） (2023-11-27T07:19:41Z) - 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) - A Novel Underwater Image Enhancement and Improved Underwater Biological
Detection Pipeline [8.326477369707122]
本稿では, YOLOv5 バックボーンに畳み込みブロックアテンションモジュール (CBAM) を付加した特徴情報を取得する手法を提案する。
物体特性に対する水中生物特性の干渉が減少し、対象情報に対するバックボーンネットワークの出力が向上する。
論文 参考訳（メタデータ） (2022-05-20T14:18:17Z) - Single Underwater Image Enhancement Using an Analysis-Synthesis Network [21.866940227491146]
水中画像強調のためのほとんどの深層モデルは、水中画像形成モデルに基づく合成データセットの訓練に頼っている。
新しい水中合成データセットが最初に確立され、改良された環境光合成方程式が組み込まれている。
ANA-SYNという名前の統一されたフレームワークは、事前情報とデータ情報の協調の下で、効果的に水中画像を強化することができる。
論文 参考訳（メタデータ） (2021-08-20T06:29:12Z) - 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。