論文の概要: Enhancing Underwater Images Using Deep Learning with Subjective Image Quality Integration

• arxiv url: http://arxiv.org/abs/2507.05393v1
• Date: Mon, 07 Jul 2025 18:25:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.299084
• Title: Enhancing Underwater Images Using Deep Learning with Subjective Image Quality Integration
• Title（参考訳）: 主観的画像品質統合による深層学習による水中画像の強調
• Authors: Jose M. Montero, Jose-Luis Lisani,
• Abstract要約: 本稿では,水中画像の品質向上のための深層学習に基づくアプローチを提案する。 専門家によってラベル付けされた水中画像を含む公開データセットを、高品質または低品質のいずれでも使用しています。 その結果,提案手法は画像品質の認識と測定の両方において大幅な改善を達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.8287206589886879
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent advances in deep learning, particularly neural networks, have significantly impacted a wide range of fields, including the automatic enhancement of underwater images. This paper presents a deep learning-based approach to improving underwater image quality by integrating human subjective assessments into the training process. To this end, we utilize publicly available datasets containing underwater images labeled by experts as either high or low quality. Our method involves first training a classifier network to distinguish between high- and low-quality images. Subsequently, generative adversarial networks (GANs) are trained using various enhancement criteria to refine the low-quality images. The performance of the GAN models is evaluated using quantitative metrics such as PSNR, SSIM, and UIQM, as well as through qualitative analysis. Results demonstrate that the proposed model -- particularly when incorporating criteria such as color fidelity and image sharpness -- achieves substantial improvements in both perceived and measured image quality.
• Abstract（参考訳）: 近年のディープラーニング、特にニューラルネットワークの進歩は、水中画像の自動強調を含む幅広い分野に大きな影響を与えている。 本稿では,人間の主観的評価をトレーニングプロセスに組み込むことで,水中画像の質を向上させるための深層学習に基づくアプローチを提案する。 この目的のために,専門家によってラベル付けされた水中画像を含む公開データセットを,高品質か低品質かのどちらかとして利用する。 本手法は,高画質画像と低画質画像とを区別するために,まず分類器ネットワークを訓練する。 その後、様々な拡張基準を用いてGAN(Generative Adversarial Network)を訓練し、低画質画像を精査する。 GANモデルの性能は,PSNR,SSIM,UIQMなどの定量値と定性解析を用いて評価する。 以上の結果から,カラー忠実度や画像のシャープネスなどの基準を取り入れたモデルでは,知覚と計測の両方の画質が大幅に向上することが示唆された。

関連論文リスト

• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [73.6767681305851]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• Opinion-Unaware Blind Image Quality Assessment using Multi-Scale Deep Feature Statistics [54.08757792080732]
  我々は,事前学習された視覚モデルからの深い特徴を統計的解析モデルと統合して,意見認識のないBIQA(OU-BIQA)を実現することを提案する。 提案モデルは,最先端のBIQAモデルと比較して,人間の視覚的知覚との整合性に優れる。
  論文  参考訳（メタデータ） (2024-05-29T06:09:34Z)
• 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)
• UIF: An Objective Quality Assessment for Underwater Image Enhancement [17.145844358253164]
  水中画像の客観的評価のための水中画像忠実度(UIF)指標を提案する。 これらの画像の統計的特徴を利用して,自然度,鋭度,構造的特徴を抽出する。 実験の結果,提案したUIFは水中および汎用画像品質指標より優れていたことが確認された。
  論文  参考訳（メタデータ） (2022-05-19T08:43:47Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• Deep Multi-Scale Features Learning for Distorted Image Quality Assessment [20.7146855562825]
  既存のディープニューラルネットワーク(DNN)はIQA問題に対処する上で大きな効果を示している。 画像品質予測のための階層的マルチスケール特徴を持つDNNを構築するためにピラミッド特徴学習を提案する。 提案するネットワークは、エンド・ツー・エンドの監視方法に最適化されている。
  論文  参考訳（メタデータ） (2020-12-01T23:39:01Z)

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。