論文の概要: MAC-Lookup: Multi-Axis Conditional Lookup Model for Underwater Image Enhancement

• arxiv url: http://arxiv.org/abs/2507.02270v1
• Date: Thu, 03 Jul 2025 03:23:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:15.567973
• Title: MAC-Lookup: Multi-Axis Conditional Lookup Model for Underwater Image Enhancement
• Title（参考訳）: MAC-Lookup:水中画像強調のためのマルチ軸条件付きルックアップモデル
• Authors: Fanghai Yi, Zehong Zheng, Zexiao Liang, Yihang Dong, Xiyang Fang, Wangyu Wu, Xuhang Chen,
• Abstract要約: 本稿では,Multi-Axis Conditional Lookup (MAC-Lookup)モデルを提案する。 色精度、シャープさ、コントラストを改善することで、視覚的品質を向上させる。 水中の課題に対処しながら、過度な増大と飽和を防ぐ。
• 参考スコア（独自算出の注目度）: 2.8034191857296937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Enhancing underwater images is crucial for exploration. These images face visibility and color issues due to light changes, water turbidity, and bubbles. Traditional prior-based methods and pixel-based methods often fail, while deep learning lacks sufficient high-quality datasets. We introduce the Multi-Axis Conditional Lookup (MAC-Lookup) model, which enhances visual quality by improving color accuracy, sharpness, and contrast. It includes Conditional 3D Lookup Table Color Correction (CLTCC) for preliminary color and quality correction and Multi-Axis Adaptive Enhancement (MAAE) for detail refinement. This model prevents over-enhancement and saturation while handling underwater challenges. Extensive experiments show that MAC-Lookup excels in enhancing underwater images by restoring details and colors better than existing methods. The code is https://github.com/onlycatdoraemon/MAC-Lookup.
• Abstract（参考訳）: 水中画像の強調は探検に不可欠です。 これらの画像は、光の変化、水の濁度、泡による可視性と色の問題に直面します。 従来の先行する手法やピクセルベースの手法はしばしば失敗するが、ディープラーニングは十分な高品質なデータセットを欠いている。 色精度,シャープさ,コントラストを改善し,視覚的品質を向上させる多軸条件ルックアップ(MAC-Lookup)モデルを提案する。 予備色と品質補正のための条件付き3Dルックアップテーブルカラー補正(CLTCC)と細かな精細化のためのマルチアクシス適応強化(MAAE)が含まれている。 このモデルでは、水中の課題に対処しながら、過度な増大と飽和を防止する。 大規模な実験では、MAC-Lookupは既存の方法よりも細部や色を復元することで水中画像の強化に優れていた。 コードはhttps://github.com/onlycatdoraemon/MAC-Lookupである。

関連論文リスト

• Bridging Knowledge Gap Between Image Inpainting and Large-Area Visible Watermark Removal [57.84348166457113]
  本稿では,事前学習した画像の塗装モデルの表現能力を活用する新しい特徴適応フレームワークを提案する。 本手法は, 透かしの残像の残像を塗布バックボーンモデルに流し込むことにより, 透かしと透かし除去の知識ギャップを埋めるものである。 高品質な透かしマスクへの依存を緩和するために,粗い透かしマスクを用いて推論プロセスを導出する新たな訓練パラダイムを導入する。
  論文  参考訳（メタデータ） (2025-04-07T02:37:14Z)
• UDBE: Unsupervised Diffusion-based Brightness Enhancement in Underwater Images [1.0775419935941009]
  本研究は,拡散モデルを用いた水中画像強調のための新しい教師なし学習手法を導入する。 UDBEと呼ばれるこの手法は条件拡散に基づいて、未ペア画像の明るさの詳細を維持する。 提案手法は, 水中画像ベンチマークであるUIEB, SUIM, RUIEのデータセットにおいて, 精度の高い精度が得られることを示す。
  論文  参考訳（メタデータ） (2025-01-27T17:01:45Z)
• Underwater Image Enhancement with Cascaded Contrastive Learning [51.897854142606725]
  水中画像強調(UIE)は、水中環境の複雑さと水中画像劣化の多様性のために非常に困難な課題である。 既存のディープラーニングベースのUIEメソッドの多くは、多様な劣化に同時に対処できないシングルステージネットワークに従っている。 本稿では,2段階の深層学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-16T03:16:44Z)
• Underwater Image Enhancement via Dehazing and Color Restoration [15.51430949110587]
  既存の水中画像強調法は、ヘイズとカラーキャストを統一的な劣化過程として扱う。 本研究では,水中画像の品質向上を目的としたビジョントランス (ViT) ベースのネットワーク (WaterFormer と呼ぶ) を提案する。
  論文  参考訳（メタデータ） (2024-09-15T15:58:20Z)
• Dual High-Order Total Variation Model for Underwater Image Restoration [13.789310785350484]
  水中画像の高画質化と復元(UIER)は,水中画像の画質向上のための重要な手段である。 拡張水中画像形成モデル(UIFM)に基づく効果的な変分フレームワークを提案する。 提案フレームワークでは,重み係数に基づく色補正とカラーバランスを組み合わせることで,減衰した色チャネルを補償し,色キャストを除去する。
  論文  参考訳（メタデータ） (2024-07-20T13:06:37Z)
• JIGMARK: A Black-Box Approach for Enhancing Image Watermarks against Diffusion Model Edits [76.25962336540226]
  JIGMARKは、コントラスト学習による堅牢性を高める、第一級の透かし技術である。 本評価の結果,JIGMARKは既存の透かし法をはるかに上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-06-06T03:31:41Z)
• FDCE-Net: Underwater Image Enhancement with Embedding Frequency and Dual Color Encoder [49.79611204954311]
  水中画像は、低明度、色の変化、ぼやけた詳細、吸光光によるノイズ、水や懸濁粒子による散乱などの様々な問題に悩まされることが多い。 従来の水中画像強調法(UIE)は主に空間領域の強調に焦点を当てており、画像固有の周波数領域情報を無視している。
  論文  参考訳（メタデータ） (2024-04-27T15:16:34Z)
• MetaUE: Model-based Meta-learning for Underwater Image Enhancement [25.174894007563374]
  本論文では,様々な水中シナリオ下でクリーンな画像を復元するためのモデルに基づくディープラーニング手法を提案する。 メタラーニング戦略は、合成水中データセット上で事前訓練されたモデルを得るために用いられる。 その後、モデルが実際の水中データセットに微調整され、MetaUEと呼ばれる信頼性の高い水中画像拡張モデルが得られる。
  論文  参考訳（メタデータ） (2023-03-12T02:38:50Z)
• DeepSeeColor: Realtime Adaptive Color Correction for Autonomous Underwater Vehicles via Deep Learning Methods [0.0]
  DeepSeeColorは、最先端の水中画像生成モデルとディープラーニングフレームワークの効率を組み合わせた、新しいアルゴリズムである。 DeepSeeColorは、一般的な「シースルー」アルゴリズムに匹敵する性能を提供し、最大60Hzの速度で画像を高速に処理できることを示す。
  論文  参考訳（メタデータ） (2023-03-07T16:38:50Z)
• Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
  2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。 カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。 LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
  論文  参考訳（メタデータ） (2021-03-19T04:00:27Z)

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。