論文の概要: Impact of Underwater Image Enhancement on Feature Matching
- arxiv url: http://arxiv.org/abs/2507.21715v1
- Date: Tue, 29 Jul 2025 11:45:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:56.14698
- Title: Impact of Underwater Image Enhancement on Feature Matching
- Title（参考訳）: 水中画像強調が特徴マッチングに及ぼす影響
- Authors: Jason M. Summers, Mark W. Jones,
- Abstract要約: そこで我々は,水中画像強調の成功を評価するための定量的尺度として,局所的マッチング安定性とFarthest Matchable frameを紹介した。
この強化プロセスは、光吸収、散乱、海洋成長、破片による視覚的劣化に対処する。
フレームマッチング性能に及ぼす強化手法の影響を評価するため,水中環境に適した新しい評価枠組みを提案する。
- 参考スコア（独自算出の注目度）: 0.4604003661048266
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce local matching stability and furthest matchable frame as quantitative measures for evaluating the success of underwater image enhancement. This enhancement process addresses visual degradation caused by light absorption, scattering, marine growth, and debris. Enhanced imagery plays a critical role in downstream tasks such as path detection and autonomous navigation for underwater vehicles, relying on robust feature extraction and frame matching. To assess the impact of enhancement techniques on frame-matching performance, we propose a novel evaluation framework tailored to underwater environments. Through metric-based analysis, we identify strengths and limitations of existing approaches and pinpoint gaps in their assessment of real-world applicability. By incorporating a practical matching strategy, our framework offers a robust, context-aware benchmark for comparing enhancement methods. Finally, we demonstrate how visual improvements affect the performance of a complete real-world algorithm -- Simultaneous Localization and Mapping (SLAM) -- reinforcing the framework's relevance to operational underwater scenarios.
- Abstract（参考訳）: そこで我々は,水中画像強調の成功を評価するための定量的尺度として,局所的マッチング安定性とFarthest Matchable frameを紹介した。
この強化プロセスは、光吸収、散乱、海洋成長、破片による視覚的劣化に対処する。
強調画像は、水中車両の経路検出や自律ナビゲーションといった下流タスクにおいて、ロバストな特徴抽出とフレームマッチングに依存する重要な役割を担っている。
フレームマッチング性能に及ぼす強化手法の影響を評価するため,水中環境に適した新しい評価枠組みを提案する。
計量に基づく分析により,既存のアプローチの強みと限界を同定し,実世界の適用性を評価する。
実践的なマッチング戦略を取り入れることで、拡張手法を比較するための堅牢でコンテキスト対応のベンチマークを提供する。
最後に、視覚的改善が完全な実世界のアルゴリズム -- 同時局所化とマッピング(SLAM) -- のパフォーマンスに与える影響を実証し、運用中の水中シナリオに対するフレームワークの関連性を強化する。
関連論文リスト
- DACA-Net: A Degradation-Aware Conditional Diffusion Network for Underwater Image Enhancement [16.719513778795367]
水中画像は通常、散乱や吸収といった複雑な光学効果により、激しい色歪み、視界の低さ、構造的明瞭さの低下に悩まされる。
既存の拡張手法は、様々な劣化条件を適応的に扱うのに苦労し、水中固有の物理的前提を効果的に活用できないことが多い。
本研究では,水中画像の適応的・堅牢性を高めるための劣化認識条件拡散モデルを提案する。
論文 参考訳（メタデータ） (2025-07-30T09:16:07Z) - A Novel Context-Adaptive Fusion of Shadow and Highlight Regions for Efficient Sonar Image Classification [0.0]
影領域は、対象の検出と分類に不可欠な手段を提供するが、既存の研究は主にハイライトに基づく分析に焦点を当てている。
本稿では,高度な画像処理技術を活用して識別影を抽出・統合し,特徴を強調表示するコンテキスト適応型ソナー画像分類フレームワークを提案する。
S3Simulator+は、水中ソナードメインに特化された物理インフォームドノイズを海軍機雷シナリオに組み込んだ拡張データセットである。
論文 参考訳（メタデータ） (2025-06-02T09:01:46Z) - 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) - HUPE: Heuristic Underwater Perceptual Enhancement with Semantic Collaborative Learning [62.264673293638175]
既存の水中画像強調法は主に視覚的品質の向上に重点を置いており、実際的な意味を見落としている。
視覚的品質を高め,他の下流タスクに対処する柔軟性を示す,水中知覚向上のための可逆的ネットワークHを提案する。
論文 参考訳（メタデータ） (2024-11-27T12:37:03Z) - Advanced Underwater Image Quality Enhancement via Hybrid Super-Resolution Convolutional Neural Networks and Multi-Scale Retinex-Based Defogging Techniques [0.0]
この研究は、提案されたアプローチの有効性をさらに説明するために、現実世界の水中データセットに関する広範な実験を行っている。
海洋探査、水中ロボティクス、自律水中車両といったリアルタイムの水中アプリケーションでは、ディープラーニングと従来の画像処理技術を組み合わせることで、計算効率の良いフレームワークと優れた結果が得られる。
論文 参考訳（メタデータ） (2024-10-18T08:40:26Z) - CARNet: Collaborative Adversarial Resilience for Robust Underwater Image Enhancement and Perception [16.135354859458758]
我々は,CARNetと呼ばれる協調対向レジリエンスネットワークを導入し,水中画像の強調とそれに続く検出を行う。
本研究ではまず,水中画像から攻撃を分離する強力な知覚能力を持つ可逆ネットワークを導入する。
また,異なるタイプの攻撃に対するネットワークの堅牢性を高めるために,二段階攻撃最適化手法を提案する。
論文 参考訳（メタデータ） (2023-09-03T06:52:05Z) - PAIF: Perception-Aware Infrared-Visible Image Fusion for Attack-Tolerant
Semantic Segmentation [50.556961575275345]
対向シーンにおけるセグメンテーションの堅牢性を促進するための認識認識型融合フレームワークを提案する。
我々は,先進の競争相手に比べて15.3% mIOUの利得で,ロバスト性を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2023-08-08T01:55:44Z) - WaterFlow: Heuristic Normalizing Flow for Underwater Image Enhancement
and Beyond [52.27796682972484]
既存の水中画像強調法は, 画像品質の向上に重点を置いており, 実践への影響を無視している。
本稿では,検出駆動型水中画像強調のための正規化フローであるWaterFlowを提案する。
微分可能性や解釈可能性を考慮すると、事前をデータ駆動マッピング手法に組み込む。
論文 参考訳（メタデータ） (2023-08-02T04:17:35Z) - A Correction-Based Dynamic Enhancement Framework towards Underwater
Detection [5.103759034134962]
低レベルの修正を導くために,コントリビューション辞書を用いた軽量な動的拡張アルゴリズムを提案する。
実水中物体検出タスクにおける実験結果から,提案手法の一般化と実時間性能の両面での優位性を示した。
論文 参考訳（メタデータ） (2023-02-06T04:11:52Z) - Semantic-aware Texture-Structure Feature Collaboration for Underwater
Image Enhancement [58.075720488942125]
水中画像の強調は海洋工学や水生ロボット工学において重要な技術として注目されている。
我々は,高レベルな意味認識事前学習モデルと協調して,効率的でコンパクトな拡張ネットワークを開発する。
また,提案手法を水中の有意な物体検出タスクに適用し,高レベルの視覚タスクに適した意味認識能力を明らかにする。
論文 参考訳（メタデータ） (2022-11-19T07:50:34Z) - 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)
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。