論文の概要: Marine Snow Removal Using Internally Generated Pseudo Ground Truth

• arxiv url: http://arxiv.org/abs/2504.19289v1
• Date: Sun, 27 Apr 2025 16:08:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.217592
• Title: Marine Snow Removal Using Internally Generated Pseudo Ground Truth
• Title（参考訳）: 内部発生擬似地層を用いた海面除雪
• Authors: Alexandra Malyugina, Guoxi Huang, Eduardo Ruiz, Benjamin Leslie, Nantheera Anantrasirichai,
• Abstract要約: 既存の海雪除去方法は、ペアのトレーニングデータがないため、効果がない。 本稿では,水中生ビデオからデータセットを生成する新しい手法を提案する。 得られたデータセットは、生成した雪と雪のペア画像、自由な水中ビデオで構成されており、ビデオ強化のための教師付きトレーニングを可能にしている。
• 参考スコア（独自算出の注目度）: 44.44860723575667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Underwater videos often suffer from degraded quality due to light absorption, scattering, and various noise sources. Among these, marine snow, which is suspended organic particles appearing as bright spots or noise, significantly impacts machine vision tasks, particularly those involving feature matching. Existing methods for removing marine snow are ineffective due to the lack of paired training data. To address this challenge, this paper proposes a novel enhancement framework that introduces a new approach for generating paired datasets from raw underwater videos. The resulting dataset consists of paired images of generated snowy and snow, free underwater videos, enabling supervised training for video enhancement. We describe the dataset creation process, highlight its key characteristics, and demonstrate its effectiveness in enhancing underwater image restoration in the absence of ground truth.
• Abstract（参考訳）: 水中ビデオは、光の吸収、散乱、様々なノイズ源によって劣化した品質に悩まされることが多い。 このうち、浮遊する有機粒子が明るいスポットやノイズとして現れる海洋性雪は、特に特徴マッチングに関わる機械の視覚タスクに大きな影響を及ぼす。 既存の海雪除去方法は、ペアのトレーニングデータがないため、効果がない。 そこで本研究では,水中ビデオからペア化されたデータセットを生成する新しい手法を提案する。 得られたデータセットは、生成した雪と雪のペア画像、自由な水中ビデオで構成されており、ビデオ強化のための教師付きトレーニングを可能にしている。 本研究は,データセット作成プロセスについて述べるとともに,その特徴を強調し,地底真理の欠如による水中画像復元の効率化の有効性を実証する。

関連論文リスト

• 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)
• ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
  本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。 本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。 マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-05-03T13:24:06Z)
• Video Waterdrop Removal via Spatio-Temporal Fusion in Driving Scenes [53.16726447796844]
  運転中のフロントガラスの水滴は、深刻な視覚障害を引き起こし、自動車事故を引き起こす可能性がある。 本研究では、複数のフレームから表現を融合させて、水滴に隠された視覚情報を復元するアテンションベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-12T13:47:26Z)
• Underwater enhancement based on a self-learning strategy and attention mechanism for high-intensity regions [0.0]
  水中活動中に取得した画像は、濁度や光の減衰などの水の環境特性に悩まされる。 水中画像の強化に関する最近の研究と深層学習のアプローチに基づき、合成地下構造を生成する組合わせデータセットの欠如に対処する。 本稿では,ペアデータセットを必要としない深層学習に基づく水中画像強調のための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2022-08-04T19:55:40Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• Medium Transmission Map Matters for Learning to Restore Real-World Underwater Images [3.0980025155565376]
  画像強調を支援するためのガイダンスとしてメディア送信マップを導入する。 提案手法は,既存のモデルより30倍高速なテストR90において,22.6dBの高度な結果が得られる。
  論文  参考訳（メタデータ） (2022-03-17T16:13:52Z)
• 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)
• Marine Snow Removal Benchmarking Dataset [9.117162374919715]
  本稿では,水中画像の海洋除雪のための新しいベンチマークデータセットを提案する。 実際の水中画像から2種類の海洋性雪を数学的にモデル化する。 本データセットを用いて,2つの海洋除雪タスクを提案し,海洋除雪の最初のベンチマーク結果を示した。
  論文  参考訳（メタデータ） (2021-03-26T03:54:43Z)
• 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。