論文の概要: Excavate the potential of Single-Scale Features: A Decomposition Network for Water-Related Optical Image Enhancement

• arxiv url: http://arxiv.org/abs/2508.04123v1
• Date: Wed, 06 Aug 2025 06:41:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.57201
• Title: Excavate the potential of Single-Scale Features: A Decomposition Network for Water-Related Optical Image Enhancement
• Title（参考訳）: シングルスケール機能の可能性を探る:水関連光画像強調のための分解ネットワーク
• Authors: Zheng Cheng, Wenri Wang, Guangyong Chen, Yakun Ju, Yihua Cheng, Zhisong Liu, Yanda Meng, Jintao Song,
• Abstract要約: 単一スケールの特徴抽出は、マルチスケールメソッドのパフォーマンスにマッチするか、上回る可能性がある。 SSD-Netは、CNNのローカル機能抽出機能とTransformerのグローバルなモデリング長所を組み合わせる。
• 参考スコア（独自算出の注目度）: 22.353926184394002
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater image enhancement (UIE) techniques aim to improve visual quality of images captured in aquatic environments by addressing degradation issues caused by light absorption and scattering effects, including color distortion, blurring, and low contrast. Current mainstream solutions predominantly employ multi-scale feature extraction (MSFE) mechanisms to enhance reconstruction quality through multi-resolution feature fusion. However, our extensive experiments demonstrate that high-quality image reconstruction does not necessarily rely on multi-scale feature fusion. Contrary to popular belief, our experiments show that single-scale feature extraction alone can match or surpass the performance of multi-scale methods, significantly reducing complexity. To comprehensively explore single-scale feature potential in underwater enhancement, we propose an innovative Single-Scale Decomposition Network (SSD-Net). This architecture introduces an asymmetrical decomposition mechanism that disentangles input image into clean layer along with degradation layer. The former contains scene-intrinsic information and the latter encodes medium-induced interference. It uniquely combines CNN's local feature extraction capabilities with Transformer's global modeling strengths through two core modules: 1) Parallel Feature Decomposition Block (PFDB), implementing dual-branch feature space decoupling via efficient attention operations and adaptive sparse transformer; 2) Bidirectional Feature Communication Block (BFCB), enabling cross-layer residual interactions for complementary feature mining and fusion. This synergistic design preserves feature decomposition independence while establishing dynamic cross-layer information pathways, effectively enhancing degradation decoupling capacity.
• Abstract（参考訳）: 水中画像強調(UIE)技術は、光吸収による劣化問題や、色歪み、ぼかし、低コントラストなどの散乱効果に対処することにより、水中で撮影された画像の視覚的品質を向上させることを目的としている。 現在の主流のソリューションは、主にマルチスケール特徴抽出(MSFE)機構を使用して、マルチレゾリューション特徴融合による再構成品質を向上させる。 しかし,我々の広範な実験により,高品質な画像再構成は必ずしもマルチスケールな特徴融合に依存しないことが示された。 一般的な信念とは対照的に、我々の実験では、単一スケールの特徴抽出だけでマルチスケールの手法の性能にマッチまたは上回り、複雑さを著しく低減できることを示した。 水中における単一スケール機能ポテンシャルを包括的に探求するため,革新的な単一スケール分解ネットワーク(SSD-Net)を提案する。 このアーキテクチャでは、劣化層とともに入力画像をクリーン層に分散させる非対称分解機構を導入している。 前者はシーン固有の情報を含み、後者は媒体誘起干渉を符号化する。 CNNのローカル機能抽出機能とTransformerのグローバルモデリング長所を2つのコアモジュールを通じて一意に結合する。 1) 並列特徴分解ブロック(PFDB)は、効率的な注意操作と適応スパース変換器を介して二重分岐特徴空間デカップリングを実装している。 2) 双方向特徴通信ブロック (BFCB) は, 相補的特徴抽出と融合のための層間残差相互作用を実現する。 この相乗的設計は動的層間情報経路を確立しながら特徴分解独立性を保ち、分解脱結合能力を効果的に向上させる。

関連論文リスト

• Single Image Reflection Removal via inter-layer Complementarity [63.37693451363996]
  二重ストリームアーキテクチャのための新しい層間相補性モデルと効率的な層間相補性注意機構を導入する。 提案手法は,複数の公開データセット上での最先端の分離品質を実現するとともに,計算コストとモデルの複雑さを著しく低減する。
  論文  参考訳（メタデータ） (2025-05-19T02:50:15Z)
• 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)
• Mutual Information-driven Triple Interaction Network for Efficient Image Dehazing [54.168567276280505]
  画像デハージングのための相互情報駆動型トリプルインタラクションネットワーク(MITNet)を提案する。 振幅誘導ヘイズ除去と呼ばれる第1段階は、ヘイズ除去のためのヘイズ画像の振幅スペクトルを復元することを目的としている。 第2段階は位相誘導構造が洗練され、位相スペクトルの変換と微細化を学ぶことに尽力した。
  論文  参考訳（メタデータ） (2023-08-14T08:23:58Z)
• Efficient Image Super-Resolution with Feature Interaction Weighted Hybrid Network [101.53907377000445]
  軽量画像超解像は、低解像度画像から低計算コストで高解像度画像を再構成することを目的としている。 既存の方法では、活性化関数による中間層の特徴が失われる。 本稿では,中間的特徴損失が再構成品質に与える影響を最小限に抑えるために,特徴相互作用重み付きハイブリッドネットワーク(FIWHN)を提案する。
  論文  参考訳（メタデータ） (2022-12-29T05:57:29Z)
• CDDFuse: Correlation-Driven Dual-Branch Feature Decomposition for Multi-Modality Image Fusion [138.40422469153145]
  本稿では,CDDFuse(Relationed-Driven Feature Decomposition Fusion)ネットワークを提案する。 近赤外可視画像融合や医用画像融合など,複数の融合タスクにおいてCDDFuseが有望な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-11-26T02:40:28Z)
• 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)
• Efficient Re-parameterization Residual Attention Network For Nonhomogeneous Image Dehazing [4.723586858098229]
  ERRA-Netは1200x1600のHD画質の画像を平均166.11 fpsで処理する。 我々は, ステップ毎に高周波特徴を抽出するために, カスケードMAブロックを用い, 多層アテンション融合テールは, モデルの浅部と深部を結合してクリーン画像の残像を得る。
  論文  参考訳（メタデータ） (2021-09-12T10:03:44Z)
• Underwater Image Enhancement via Learning Water Type Desensitized Representations [29.05252230912826]
  本稿では,これらの課題に対処するため,SCNetと呼ばれる新しい水中画像強調(UIE)フレームワークを提案する。 SCNetは、空間次元とチャネル次元の両方にわたる正規化スキームに基づいており、水型脱感応特徴を学習する鍵となるアイデアである。 2つの実世界のUIEデータセットによる実験結果から,提案手法は多様な水型で画像の強化に有効であることが示された。
  論文  参考訳（メタデータ） (2021-02-01T07:34:54Z)
• Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
  本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。 特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
  論文  参考訳（メタデータ） (2020-03-02T13:28:32Z)

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。