論文の概要: snnTrans-DHZ: A Lightweight Spiking Neural Network Architecture for Underwater Image Dehazing

• arxiv url: http://arxiv.org/abs/2504.11482v1
• Date: Sun, 13 Apr 2025 19:03:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 14:40:20.924753
• Title: snnTrans-DHZ: A Lightweight Spiking Neural Network Architecture for Underwater Image Dehazing
• Title（参考訳）: snnTrans-DHZ:水中画像デハージングのための軽量スパイクニューラルネットワークアーキテクチャ
• Authors: Vidya Sudevan, Fakhreddine Zayer, Rizwana Kausar, Sajid Javed, Hamad Karki, Giulia De Masi, Jorge Dias,
• Abstract要約: 本稿では,水中脱ハージング用に設計された軽量スパイキングニューラルネットワーク(SNN)であるsnnTrans-DHZを紹介する。 i)複数の色空間表現から特徴を抽出するK推定器、(ii)RGB-LAB画像から背景光成分を共同で推論するバックグラウンド光エステータ、(iii)ヘイズフリーで可視性のある出力を生成するソフト画像再構成モジュールである。
• 参考スコア（独自算出の注目度）: 6.780557477791034
• License:
• Abstract: Underwater image dehazing is critical for vision-based marine operations because light scattering and absorption can severely reduce visibility. This paper introduces snnTrans-DHZ, a lightweight Spiking Neural Network (SNN) specifically designed for underwater dehazing. By leveraging the temporal dynamics of SNNs, snnTrans-DHZ efficiently processes time-dependent raw image sequences while maintaining low power consumption. Static underwater images are first converted into time-dependent sequences by repeatedly inputting the same image over user-defined timesteps. These RGB sequences are then transformed into LAB color space representations and processed concurrently. The architecture features three key modules: (i) a K estimator that extracts features from multiple color space representations; (ii) a Background Light Estimator that jointly infers the background light component from the RGB-LAB images; and (iii) a soft image reconstruction module that produces haze-free, visibility-enhanced outputs. The snnTrans-DHZ model is directly trained using a surrogate gradient-based backpropagation through time (BPTT) strategy alongside a novel combined loss function. Evaluated on the UIEB benchmark, snnTrans-DHZ achieves a PSNR of 21.68 dB and an SSIM of 0.8795, and on the EUVP dataset, it yields a PSNR of 23.46 dB and an SSIM of 0.8439. With only 0.5670 million network parameters, and requiring just 7.42 GSOPs and 0.0151 J of energy, the algorithm significantly outperforms existing state-of-the-art methods in terms of efficiency. These features make snnTrans-DHZ highly suitable for deployment in underwater robotics, marine exploration, and environmental monitoring.
• Abstract（参考訳）: 光散乱と吸収により視界を著しく低下させるため、水中画像のデハジングは視覚に基づく海洋活動において重要である。 本稿では,水中脱ハージング用に設計された軽量スパイキングニューラルネットワーク(SNN)であるsnnTrans-DHZを紹介する。 SNNの時間的ダイナミクスを活用することで、SnnTrans-DHZは低消費電力を維持しながら時間依存の生画像シーケンスを効率的に処理する。 静的水中画像は、ユーザ定義のタイムステップに同じ画像を繰り返し入力することで、最初に時間依存シーケンスに変換される。 これらのRGBシーケンスは、LAB色空間表現に変換され、同時に処理される。 アーキテクチャには3つの重要なモジュールがある。 i) 複数の色空間表現から特徴を抽出するK推定器 (ii)RGB-LAB画像から背景光成分を共同で推定する背景光推定器 三 ヘイズフリーで可視性向上した出力を生成するソフトイメージ再構成モジュール。 snnTrans-DHZモデルは、新しい複合損失関数と共に、BPTT戦略を用いて直接訓練される。 UIEBベンチマークで評価されたsnnTrans-DHZは、PSNRが21.68dB、SSIMが0.8795で、EUVPデータセットでは、PSNRが23.46dB、SSIMが0.8439である。 0.5670万のネットワークパラメータしか必要とせず、7.42GSOPと0.0151Jのエネルギーしか必要とせず、アルゴリズムは既存の最先端の手法よりも効率的に優れている。 これらの特徴により、スントランス-DHZは水中ロボティクス、海洋探査、環境モニタリングに非常に適している。

関連論文リスト

• Haar Nuclear Norms with Applications to Remote Sensing Imagery Restoration [53.68392692185276]
  本稿では,Har Nuclear norm (HNN) という,高効率かつ効率的なリモートセンシング画像復元のための新しい低ランク正規化用語を提案する。 2次元前方スライス-ワイド・ハール離散ウェーブレット変換から導出されるウェーブレット係数の低ランク特性を利用する。 ハイパースペクトル像の着色, マルチテンポラル画像雲の除去, ハイパースペクトル像の脱色実験により, HNNの可能性が明らかとなった。
  論文  参考訳（メタデータ） (2024-07-11T13:46:47Z)
• SparseSSP: 3D Subcellular Structure Prediction from Sparse-View Transmitted Light Images [6.336161592992873]
  従来の蛍光染色は、生きた細胞に光毒性があり、遅くて高価である。 従来のアプローチでは、1対1のボクセルレベルの密度予測に3Dネットワークを使用している。 本研究では,ターゲットボクセル格子内の蛍光強度を予測する効率的なフレームワークであるSparseSSPを提案する。
  論文  参考訳（メタデータ） (2024-07-02T11:08:51Z)
• You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement [50.37253008333166]
  低照度画像強調(LLIE)タスクは、劣化した低照度画像から詳細と視覚情報を復元する傾向がある。 水平/垂直インテンシティ(HVI)と呼ばれる新しいトレーニング可能なカラー空間を提案する。 輝度と色をRGBチャネルから切り離して、拡張中の不安定性を緩和するだけでなく、トレーニング可能なパラメータによって異なる照明範囲の低照度画像にも適応する。
  論文  参考訳（メタデータ） (2024-02-08T16:47:43Z)
• 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)
• AI pipeline for accurate retinal layer segmentation using OCT 3D images [3.938455123895825]
  いくつかの古典的およびAIベースのアルゴリズムが組み合わせてテストされ、動物イメージングシステムからのデータとの互換性を確認している。 単純で実装可能な解析方程式は、平均ピクセル値の1%インクリメントで輝度操作に有効であることが示されている。 厚み推定処理は、手動の注釈付き標準データと比較して6%の誤差を有する。
  論文  参考訳（メタデータ） (2023-02-15T17:46:32Z)
• Deep Domain Adversarial Adaptation for Photon-efficient Imaging Based on Spatiotemporal Inception Network [11.58898808789911]
  単光子LiDARでは、光子効率の撮像がシーンの3D構造を1ピクセル当たりの信号でキャプチャする。 このタスクの既存のディープラーニングモデルは、シミュレーションデータセットに基づいてトレーニングされている。 本研究では,空間的・時間的情報を完全に活用して,スパース・ハイノイズ光子計数ヒストグラムから奥行きを正確に予測できる光子効率イメージングのためのネットワーク(STIN)を提案する。
  論文  参考訳（メタデータ） (2022-01-07T14:51:48Z)
• A New Backbone for Hyperspectral Image Reconstruction [90.48427561874402]
  3次元ハイパースペクトル画像(HSI)再構成は、スナップショット圧縮画像の逆過程を指す。 空間/スペクトル不変Residual U-Net、すなわちSSI-ResU-Netを提案する。 SSI-ResU-Net は浮動小数点演算の 77.3% 以上で競合する性能を実現する。
  論文  参考訳（メタデータ） (2021-08-17T16:20:51Z)
• Asymmetric CNN for image super-resolution [102.96131810686231]
  深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。 画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。 我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
  論文  参考訳（メタデータ） (2021-03-25T07:10:46Z)
• Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
  空間情報とスペクトル情報の相互モダリティ分布が問題となる。 本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。 本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
  論文  参考訳（メタデータ） (2020-06-18T06:32:11Z)

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。