論文の概要: EBA-AI: Ethics-Guided Bias-Aware AI for Efficient Underwater Image Enhancement and Coral Reef Monitoring

• arxiv url: http://arxiv.org/abs/2507.15036v1
• Date: Sun, 20 Jul 2025 16:37:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.167966
• Title: EBA-AI: Ethics-Guided Bias-Aware AI for Efficient Underwater Image Enhancement and Coral Reef Monitoring
• Title（参考訳）: EBA-AI:効率的な水中画像強調とサンゴ礁モニタリングのための倫理ガイド付きバイアス対応AI
• Authors: Lyes Saad Saoud, Irfan Hussain,
• Abstract要約: EBA-AIは倫理に配慮したバイアス対応AIフレームワークで、これらの課題に対処する。 EBA-AIはCLIP埋め込みを活用して、データセットバイアスを検出し、緩和し、さまざまな水中環境におけるバランスの取れた表現を保証する。 LSUI400、Ocelex、UIEB100の実験では、PSNRは1.0dBで低下するが、計算の節約は大規模監視のリアルタイム実現を可能にする。
• 参考スコア（独自算出の注目度）: 1.5500145658862496
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Underwater image enhancement is vital for marine conservation, particularly coral reef monitoring. However, AI-based enhancement models often face dataset bias, high computational costs, and lack of transparency, leading to potential misinterpretations. This paper introduces EBA-AI, an ethics-guided bias-aware AI framework to address these challenges. EBA-AI leverages CLIP embeddings to detect and mitigate dataset bias, ensuring balanced representation across varied underwater environments. It also integrates adaptive processing to optimize energy efficiency, significantly reducing GPU usage while maintaining competitive enhancement quality. Experiments on LSUI400, Oceanex, and UIEB100 show that while PSNR drops by a controlled 1.0 dB, computational savings enable real-time feasibility for large-scale marine monitoring. Additionally, uncertainty estimation and explainability techniques enhance trust in AI-driven environmental decisions. Comparisons with CycleGAN, FunIEGAN, RAUNENet, WaterNet, UGAN, PUGAN, and UTUIE validate EBA-AI's effectiveness in balancing efficiency, fairness, and interpretability in underwater image processing. By addressing key limitations of AI-driven enhancement, this work contributes to sustainable, bias-aware, and computationally efficient marine conservation efforts. For interactive visualizations, animations, source code, and access to the preprint, visit: https://lyessaadsaoud.github.io/EBA-AI/
• Abstract（参考訳）: 水中画像の強調は海洋保護、特にサンゴ礁のモニタリングに不可欠である。 しかし、AIベースの拡張モデルは、しばしばデータセットバイアス、高い計算コスト、透明性の欠如に直面し、潜在的な誤解につながる。 本稿では、倫理に配慮したバイアス対応AIフレームワークであるEBA-AIを紹介し、これらの課題に対処する。 EBA-AIはCLIP埋め込みを活用して、データセットバイアスを検出し、緩和し、さまざまな水中環境におけるバランスの取れた表現を保証する。 また、適応処理を統合してエネルギー効率を最適化し、競争力のある拡張品質を維持しながらGPU使用率を大幅に削減する。 LSUI400、Ocelex、UIEB100の実験では、PSNRは1.0dBで低下するが、計算の節約は大規模海洋モニタリングのリアルタイム実現を可能にする。 さらに、不確実性推定と説明可能性技術は、AIによる環境決定に対する信頼を高める。 CycleGAN, FunieGAN, RAUNENet, WaterNet, UGAN, PUGAN, UTUIEとの比較により, 水中画像処理におけるEBA-AIの有効性が検証された。 AIによる強化の鍵となる限界に対処することで、この研究は持続可能な、偏見を意識し、計算的に効率的な海洋保全活動に寄与する。 インタラクティブな視覚化、アニメーション、ソースコード、プレプリントへのアクセスについては、https://lyessaadsaoud.github.io/EBA-AI/を参照してください。

関連論文リスト

• Improve Underwater Object Detection through YOLOv12 Architecture and Physics-informed Augmentation [0.20767168898581637]
  水中物体検出は、自律航法、環境モニタリング、海洋探査に不可欠である。 現在の手法は精度と計算効率のバランスをとるが、低視認性条件下でのリアルタイムのデプロイには困難がある。 本研究は, YOLOv12アーキテクチャと物理インフォームド・オービメンテーション技術の統合による水中検出を推し進めるものである。
  論文  参考訳（メタデータ） (2025-06-30T04:06:50Z)
• RD-UIE: Relation-Driven State Space Modeling for Underwater Image Enhancement [59.364418120895]
  水中画像強調(UIE)は、海洋視覚応用のための重要な前処理ステップである。 実効UIE(RD-UIE)のための新しい関係駆動型マンバフレームワークを開発した。 水中強化ベンチマークの実験では、RD-UIEは最先端のアプローチであるWMambaよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-02T12:21:44Z)
• Learning Underwater Active Perception in Simulation [51.205673783866146]
  タービディティは、検査された構造物の正確な視覚的記録を阻止する可能性があるため、ミッション全体を危険に晒す可能性がある。 従来の研究は、濁度や後方散乱に適応する手法を導入してきた。 本研究では, 広範囲の水環境下での高品質な画像取得を実現するための, 単純かつ効率的なアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-23T06:48:38Z)
• Image-Based Relocalization and Alignment for Long-Term Monitoring of Dynamic Underwater Environments [57.59857784298534]
  本稿では,視覚的位置認識(VPR),特徴マッチング,画像分割を組み合わせた統合パイプラインを提案する。 本手法は, 再検討領域のロバスト同定, 剛性変換の推定, 生態系変化の下流解析を可能にする。
  論文  参考訳（メタデータ） (2025-03-06T05:13:19Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• An Efficient Detection and Control System for Underwater Docking using Machine Learning and Realistic Simulation: A Comprehensive Approach [5.039813366558306]
  この研究は、水中ドッキングの検出と分類を行うために異なるディープラーニングアーキテクチャと比較する。 GAN(Generative Adversarial Network)は画像から画像への変換に用いられ、ガゼボのシミュレーション画像を水中画像に変換する。 その結果,水中の潮流によらず,高濁度シナリオでは20%の改善が見られた。
  論文  参考訳（メタデータ） (2023-11-02T18:10:20Z)
• Hybrid Reinforcement Learning for Optimizing Pump Sustainability in Real-World Water Distribution Networks [55.591662978280894]
  本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。 我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。 進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
  論文  参考訳（メタデータ） (2023-10-13T21:26:16Z)
• PLASTIC: Improving Input and Label Plasticity for Sample Efficient Reinforcement Learning [54.409634256153154]
  強化学習(RL)では, サンプル効率の向上が重要である。 原則として、非政治的なRLアルゴリズムは、環境相互作用毎に複数の更新を可能にすることで、サンプル効率を向上させることができる。 本研究は, この現象の原因を, 塑性を2つの側面に分けて検討した。
  論文  参考訳（メタデータ） (2023-06-19T06:14:51Z)
• UTD-Yolov5: A Real-time Underwater Targets Detection Method based on Attention Improved YOLOv5 [0.7843067454030996]
  サンゴ礁は海洋生物の持続可能な発展に 不可欠です 手作業による社会の保護は限定的で非効率である。 水中操作のためのロボットの利用がトレンドになっている。 本研究では,意識改善型YOLOv5に基づく水中目標検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-02T14:09:08Z)
• A Novel Underwater Image Enhancement and Improved Underwater Biological Detection Pipeline [8.326477369707122]
  本稿では, YOLOv5 バックボーンに畳み込みブロックアテンションモジュール (CBAM) を付加した特徴情報を取得する手法を提案する。 物体特性に対する水中生物特性の干渉が減少し、対象情報に対するバックボーンネットワークの出力が向上する。
  論文  参考訳（メタデータ） (2022-05-20T14:18:17Z)

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。