論文の概要: Visual enhancement and 3D representation for underwater scenes: a review
- arxiv url: http://arxiv.org/abs/2505.01869v1
- Date: Sat, 03 May 2025 17:20:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-06 18:49:35.30823
- Title: Visual enhancement and 3D representation for underwater scenes: a review
- Title(参考訳): 水中シーンの視覚的エンハンスメントと3D表現 : レビュー
- Authors: Guoxi Huang, Haoran Wang, Brett Seymour, Evan Kovacs, John Ellerbrock, Dave Blackham, Nantheera Anantrasirichai,
- Abstract要約: 水中視覚強調(UVE)と水中3D再構成は、コンピュータビジョンとAIベースのタスクにおいて大きな課題となる。
これらの分野での研究を進めるために,我々は多面的な視点から詳細をレビューする。
- 参考スコア(独自算出の注目度): 13.809193345785388
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underwater visual enhancement (UVE) and underwater 3D reconstruction pose significant challenges in computer vision and AI-based tasks due to complex imaging conditions in aquatic environments. Despite the development of numerous enhancement algorithms, a comprehensive and systematic review covering both UVE and underwater 3D reconstruction remains absent. To advance research in these areas, we present an in-depth review from multiple perspectives. First, we introduce the fundamental physical models, highlighting the peculiarities that challenge conventional techniques. We survey advanced methods for visual enhancement and 3D reconstruction specifically designed for underwater scenarios. The paper assesses various approaches from non-learning methods to advanced data-driven techniques, including Neural Radiance Fields and 3D Gaussian Splatting, discussing their effectiveness in handling underwater distortions. Finally, we conduct both quantitative and qualitative evaluations of state-of-the-art UVE and underwater 3D reconstruction algorithms across multiple benchmark datasets. Finally, we highlight key research directions for future advancements in underwater vision.
- Abstract(参考訳): 水中ビジュアルエンハンスメント(UVE)と水中3D再構成は、水生環境における複雑な撮像条件のため、コンピュータビジョンとAIベースのタスクにおいて大きな課題となる。
多数の拡張アルゴリズムの開発にもかかわらず、UVEと水中3D再構成の両方をカバーする包括的かつ体系的なレビューは残っていない。
これらの分野での研究を進めるために,我々は多面的な視点から詳細をレビューする。
まず,従来の技術に挑戦する特質を浮き彫りにした基礎的な物理モデルを紹介する。
水中シナリオに特化して設計された視覚強調法と3次元再構成法について検討した。
本稿では,非学習手法から高度データ駆動手法への様々なアプローチ,例えばニューラルレージアン場や3次元ガウススプラッティングを考察し,水中歪みの処理の有効性について論じる。
最後に,複数のベンチマークデータセットにまたがって,最先端のUVEと水中3D再構成アルゴリズムの定量的,定性的な評価を行う。
最後に,今後の水中視覚研究の方向性について述べる。
関連論文リスト
- Cutting-edge 3D reconstruction solutions for underwater coral reef images: A review and comparison [19.711398917623438]
フォトグラムに基づくアプローチは、既存のソリューションの中でも際立っている。
海底サンゴ礁の画像に特に適用された最先端のソリューションについて、体系的なレビューは残っていない。
本稿では,これらのアプローチの2つの重要な段階,すなわちカメラポーズ推定と高密度表面再構成に焦点を当てる。
論文 参考訳(メタデータ) (2025-02-27T14:53:15Z) - Aquatic-GS: A Hybrid 3D Representation for Underwater Scenes [6.549998173302729]
本研究では,水中の物体と水媒体の両方を効果的に表現するハイブリッド3D表現手法であるAquatic-GSを提案する。
具体的には、暗黙的に水パラメータをモデル化するニューラルウォーターフィールド(NWF)を構築し、最新の3Dガウススプラッティング(3DGS)を拡張してオブジェクトを明示的にモデル化する。
両方のコンポーネントは、複雑な水中シーンを表現するために、物理学に基づく水中画像形成モデルを介して統合される。
論文 参考訳(メタデータ) (2024-10-31T22:24:56Z) - UW-SDF: Exploiting Hybrid Geometric Priors for Neural SDF Reconstruction from Underwater Multi-view Monocular Images [63.32490897641344]
ニューラルSDFに基づく多視点水中画像から対象物を再構成するフレームワークを提案する。
再建過程を最適化するためのハイブリッドな幾何学的先行手法を導入し、神経SDF再建の質と効率を著しく向上させる。
論文 参考訳(メタデータ) (2024-10-10T16:33:56Z) - A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。
多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
論文 参考訳(メタデータ) (2024-05-30T04:46:40Z) - Scene 3-D Reconstruction System in Scattering Medium [9.044356059297595]
既存の水中3D再構築システムは、大規模な訓練時間や低効率といった課題に直面している。
本稿では,これらの課題に対処し,高速で高品質な3次元再構成を実現するため,水中3次元再構成システムを提案する。
論文 参考訳(メタデータ) (2023-12-14T14:55:16Z) - State of the Art in Dense Monocular Non-Rigid 3D Reconstruction [100.9586977875698]
モノクル2D画像から変形可能なシーン(または非剛体)の3D再構成は、コンピュータビジョンとグラフィックスの長年、活発に研究されてきた領域である。
本研究は,モノクラー映像やモノクラービューの集合から,様々な変形可能な物体や複合シーンを高密度に非剛性で再現するための最先端の手法に焦点を当てる。
論文 参考訳(メタデータ) (2022-10-27T17:59:53Z)
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。