Fugu-MT 論文翻訳(概要): Expert Operational GANS: Towards Real-Color Underwater Image Restoration

論文の概要: Expert Operational GANS: Towards Real-Color Underwater Image Restoration

arxiv url: http://arxiv.org/abs/2507.11562v1
Date: Mon, 14 Jul 2025 14:34:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-17 19:00:11.068411
Title: Expert Operational GANS: Towards Real-Color Underwater Image Restoration
Title（参考訳）: エキスパートオペレーショナルGANS:リアルカラー水中画像復元を目指して
Authors: Ozer Can Devecioglu, Serkan Kiranyaz, Mehmet Yamac, Moncef Gabbouj,
Abstract要約: xOp-GANは、複数のエキスパートジェネレータネットワークを備えた新しいGANモデルであり、それぞれが特定の画像品質を持つ特定のサブセットにのみ訓練されている。 XOp-GANはPSNRレベルを25.16dBまで達成し、シングルレグレッショラーモデル全体の差を大きく越え、複雑さを低減した。
参考スコア（独自算出の注目度）: 18.938405819295898
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The wide range of deformation artifacts that arise from complex light propagation, scattering, and depth-dependent attenuation makes the underwater image restoration to remain a challenging problem. Like other single deep regressor networks, conventional GAN-based restoration methods struggle to perform well across this heterogeneous domain, since a single generator network is typically insufficient to capture the full range of visual degradations. In order to overcome this limitation, we propose xOp-GAN, a novel GAN model with several expert generator networks, each trained solely on a particular subset with a certain image quality. Thus, each generator can learn to maximize its restoration performance for a particular quality range. Once a xOp-GAN is trained, each generator can restore the input image and the best restored image can then be selected by the discriminator based on its perceptual confidence score. As a result, xOP-GAN is the first GAN model with multiple generators where the discriminator is being used during the inference of the regression task. Experimental results on benchmark Large Scale Underwater Image (LSUI) dataset demonstrates that xOp-GAN achieves PSNR levels up to 25.16 dB, surpassing all single-regressor models by a large margin even, with reduced complexity.
Abstract（参考訳）: 複雑な光伝搬、散乱、深度依存性の減衰から生じる幅広い変形アーチファクトは、水中画像の復元を困難な問題として残している。他の1つの深い回帰器ネットワークと同様に、従来のGANベースの復元手法は、通常、単一のジェネレータネットワークが完全な視覚的劣化を捉えるのに不十分であるため、この異種領域でうまく機能しない。この制限を克服するために,複数のエキスパートジェネレータネットワークを備えた新しいGANモデルであるxOp-GANを提案する。これにより、各発電機は、その回復性能を特定の品質範囲で最大化することができる。 xOp−GANをトレーニングすると、各ジェネレータは入力画像の復元が可能となり、その知覚的信頼スコアに基づいて、最良の復元画像が識別器によって選択される。結果として、xOP-GANは、回帰タスクの推論中に判別器が使用される複数のジェネレータを持つ最初のGANモデルである。ベンチマークによるLSUIデータセットの実験結果は、xOp-GANがPSNRレベルを最大25.16dBまで達成し、複雑さを減らし、シングルレグレッショアモデルを大きく上回っていることを示している。

関連論文リスト

UniUIR: Considering Underwater Image Restoration as An All-in-One Learner [49.35128836844725]
我々はUniUIRと呼ばれるユニバーサル水中画像復元手法を提案する。劣化固有の問題を分離し、UIRタスクにおける様々な劣化の相関関係を探るため、我々はMamba Mixture-of-Expertsモジュールを設計した。このモジュールは、空間領域と周波数領域の両方において劣化前の情報を抽出し、最適なタスク固有のプロンプトを適応的に選択する。
論文参考訳（メタデータ） (2025-01-22T16:10:42Z)
Efficient Model Agnostic Approach for Implicit Neural Representation Based Arbitrary-Scale Image Super-Resolution [5.704360536038803]
単一の画像超解像(SISR)は、主に深層畳み込みネットワークによって大きく進歩した。従来のネットワークは、画像を一定のスケールにスケールアップすることに限定されており、任意のスケールのイメージを生成するために暗黙の神経機能を利用することになる。我々は,任意のスケールで超解像を実現する,新しい,効率的なフレームワークであるMixture of Experts Implicit Super-Resolution(MoEISR)を導入する。
論文参考訳（メタデータ） (2023-11-20T05:34:36Z)
In-Domain GAN Inversion for Faithful Reconstruction and Editability [132.68255553099834]
ドメイン誘導型ドメイン正規化とエンコーダで構成されたドメイン内GANインバージョンを提案し、事前学習されたGANモデルのネイティブ潜在空間における反転コードを正規化する。エンコーダ構造,開始反転点,および逆パラメータ空間の効果を総合的に解析し,再構成品質と編集特性とのトレードオフを観察する。
論文参考訳（メタデータ） (2023-09-25T08:42:06Z)
DiffBIR: Towards Blind Image Restoration with Generative Diffusion Prior [70.46245698746874]
DiffBIRは、視覚の異なる画像復元タスクを処理できる一般的な修復パイプラインである。 DiffBIRは, ブラインド画像復元問題を, 1) 劣化除去: 画像に依存しない内容の除去; 2) 情報再生: 失われた画像内容の生成の2段階に分離する。第1段階では, 修復モジュールを用いて劣化を除去し, 高忠実度復元結果を得る。第2段階では、潜伏拡散モデルの生成能力を活用して現実的な詳細を生成するIRControlNetを提案する。
論文参考訳（メタデータ） (2023-08-29T07:11:52Z)
Gated Multi-Resolution Transfer Network for Burst Restoration and Enhancement [75.25451566988565]
低画質の原画像のバーストから空間的精度の高い高画質画像を再構成する新しいGated Multi-Resolution Transfer Network (GMTNet)を提案する。 5つのデータセットに関する詳細な実験分析は、我々のアプローチを検証し、バースト超解像、バーストデノイング、低照度バーストエンハンスメントのための最先端技術を設定する。
論文参考訳（メタデータ） (2023-04-13T17:54:00Z)
Latent Multi-Relation Reasoning for GAN-Prior based Image Super-Resolution [61.65012981435095]
LARENはグラフベースの非絡み合いであり、階層的マルチリレーショナル推論によってより優れた非絡み合い空間を構築する。我々は、LARENが優れた大因子画像SRを実現し、複数のベンチマークで常に最先端の性能を発揮することを示す。
論文参考訳（メタデータ） (2022-08-04T19:45:21Z)
PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening [50.943080184828524]
空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
論文参考訳（メタデータ） (2022-07-29T03:09:21Z)
Learning Multiple Probabilistic Degradation Generators for Unsupervised Real World Image Super Resolution [5.987801889633082]
教師なしの現実世界のスーパーレゾリューションは、ペア化されたデータが利用できない場合に、低解像度(LR)入力を与えられた高解像度(HR)イメージを復元することを目的としている。最も一般的なアプローチの1つは、GANを使ってノイズの多いLR画像を合成し、合成データセットを使用してモデルを教師付きで訓練することである。 HR画像が与えられたLR画像の分布を近似する確率分解生成器を提案する。
論文参考訳（メタデータ） (2022-01-26T04:49:11Z)
TWIST-GAN: Towards Wavelet Transform and Transferred GAN for Spatio-Temporal Single Image Super Resolution [4.622977798361014]
単一画像スーパーレゾリューション(sisr)は、空間解像度の低いリモートセンシング画像から、微細な空間解像度を持つ高解像度画像を生成する。深層学習とGAN(Generative Adversarial Network)は、単一画像超解像(SISR)の課題を突破した。
論文参考訳（メタデータ） (2021-04-20T22:12:38Z)
Joint Face Completion and Super-resolution using Multi-scale Feature Relation Learning [26.682678558621625]
本稿では,MFG-GAN(MFG-GAN)を用いたマルチスケール機能グラフ生成手法を提案する。 GANに基づいて、MFG-GANはグラフ畳み込みとピラミッドネットワークを統合し、隠蔽された低解像度の顔画像を非隠蔽の高解像度の顔画像に復元する。パブリックドメインCelebAとHelenデータベースの実験結果から,提案手法は顔超解像(最大4倍または8倍)と顔補完を同時に行う上で,最先端の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2020-02-29T13:31:46Z)

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。