論文の概要: Sea-Undistort: A Dataset for Through-Water Image Restoration in High Resolution Airborne Bathymetric Mapping
- arxiv url: http://arxiv.org/abs/2508.07760v1
- Date: Mon, 11 Aug 2025 08:43:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:29.01553
- Title: Sea-Undistort: A Dataset for Through-Water Image Restoration in High Resolution Airborne Bathymetric Mapping
- Title（参考訳）: シー・アンディストラクト:高分解能空調バシメトリーマッピングにおける水面画像復元のためのデータセット
- Authors: Maximilian Kromer, Panagiotis Agrafiotis, Begüm Demir,
- Abstract要約: 我々は,Blenderで描画された1200対の512x512透水シーンの総合的な合成データセットであるSea-Undistortを紹介した。
それぞれのペアは歪みのない、歪んだ景色で構成されており、太陽の輝き、波、様々な海底に散らばる散乱といった現実的な水の影響を特徴としている。
カメラパラメータや太陽位置、平均深度といった画像毎のメタデータと合わせて、Sea-Undistortは実際の環境では不可能な教師付きトレーニングを可能にする。
- 参考スコア（独自算出の注目度）: 2.725507329935916
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate image-based bathymetric mapping in shallow waters remains challenging due to the complex optical distortions such as wave induced patterns, scattering and sunglint, introduced by the dynamic water surface, the water column properties, and solar illumination. In this work, we introduce Sea-Undistort, a comprehensive synthetic dataset of 1200 paired 512x512 through-water scenes rendered in Blender. Each pair comprises a distortion-free and a distorted view, featuring realistic water effects such as sun glint, waves, and scattering over diverse seabeds. Accompanied by per-image metadata such as camera parameters, sun position, and average depth, Sea-Undistort enables supervised training that is otherwise infeasible in real environments. We use Sea-Undistort to benchmark two state-of-the-art image restoration methods alongside an enhanced lightweight diffusion-based framework with an early-fusion sun-glint mask. When applied to real aerial data, the enhanced diffusion model delivers more complete Digital Surface Models (DSMs) of the seabed, especially in deeper areas, reduces bathymetric errors, suppresses glint and scattering, and crisply restores fine seabed details. Dataset, weights, and code are publicly available at https://www.magicbathy.eu/Sea-Undistort.html.
- Abstract（参考訳）: 浅海域における正確な画像ベース水位計マッピングは、波動誘起パターン、散乱、日射といった複雑な光学歪み、動的水面、水柱特性、太陽の照度などにより、依然として困難である。
本研究では,Blenderで撮影された1200対の512x512透水シーンの総合的な合成データセットであるSea-Undistortを紹介する。
それぞれのペアは歪みのない、歪んだ景色で構成されており、太陽の輝き、波、様々な海底に散らばる散乱といった現実的な水の影響を特徴としている。
カメラパラメータや太陽位置、平均深度といった画像毎のメタデータと合わせて、Sea-Undistortは実際の環境では不可能な教師付きトレーニングを可能にする。
We use Sea-Undistort to benchmark two-of-the-art image restoration methods with a enhanced lightweight diffusion-based framework with a early-fusion sun-glint mask。
実際の空中データに適用すると、拡張拡散モデルにより海底のより完全なデジタル表面モデル(DSM)が提供され、特に深部では水深測定誤差を低減し、グリントや散乱を抑制し、微細な海底の詳細を鮮明に復元する。
データセット、重み、コードはhttps://www.magicbathy.eu/Sea-Undistort.htmlで公開されている。
関連論文リスト
- Single-Step Latent Diffusion for Underwater Image Restoration [25.229678050715496]
水中画像復元アルゴリズムは、水中で撮影されたシーンの色、コントラスト、外観を復元しようとする。
海洋生態学や養殖から水中建設や考古学まで、様々な応用において重要な道具である。
Slurppは既存の拡散法よりも200倍高速で、合成ベンチマークではPSNRが3dB改善されている。
論文 参考訳（メタデータ） (2025-07-10T16:02:07Z) - Adaptive Stereo Depth Estimation with Multi-Spectral Images Across All Lighting Conditions [58.88917836512819]
本稿では,立体深度推定を取り入れた新しいフレームワークを提案し,正確な幾何学的制約を強制する。
照明の劣化がステレオマッチングに与える影響を軽減するために,劣化マスキングを導入する。
提案手法は,Multi-Spectral Stereo(MS2)データセット上でのSOTA(State-of-the-art)性能を実現する。
論文 参考訳（メタデータ） (2024-11-06T03:30:46Z) - Enhancing Underwater Imaging with 4-D Light Fields: Dataset and Method [77.80712860663886]
4次元光場(LF)は、光吸収、散乱、その他の課題に悩まされる水中イメージングを強化する。
水中4次元LF画像強調と深度推定のためのプログレッシブフレームワークを提案する。
学習手法の定量的評価と教師あり訓練のための,最初の4次元LFに基づく水中画像データセットを構築した。
論文 参考訳（メタデータ） (2024-08-30T15:06:45Z) - Atlantis: Enabling Underwater Depth Estimation with Stable Diffusion [30.122666238416716]
正確な地球深度データを用いて水中画像を生成する新しいパイプラインを提案する。
このアプローチは、水中深度推定のための教師付きモデルのトレーニングを容易にする。
我々は、特別に作成された水中、深度、テキストデータ三重項に基づいて訓練された独自のDepth2Underwater ControlNetを導入する。
論文 参考訳（メタデータ） (2023-12-19T08:56:33Z) - Seafloor-Invariant Caustics Removal from Underwater Imagery [0.0]
コースティックス(英: Caustics)は、波面によって屈折される光線の投射によって生じる複雑な物理現象である。
本研究では,浅海底画像に対する因果関係の影響を補正する新しい手法を提案する。
特に,画像画素を"非因果的"と"因果的"に分類するために,ディープラーニングアーキテクチャを用いた。
論文 参考訳（メタデータ） (2022-12-20T11:11:02Z) - Robustly Removing Deep Sea Lighting Effects for Visual Mapping of
Abyssal Plains [3.566117940176302]
地球の表面の大部分は海洋の奥深くにあり、表面光は届かない。
画像マッチングや表面アルベド推定を含む視覚マッピングは、共動光源が生み出す影響にひどく苦しむ。
本研究では, 主に均質で平らな海底域における照明効果を推定し, 補償するための実践的アプローチを提案する。
論文 参考訳（メタデータ） (2021-10-01T15:28:07Z) - Underwater Image Restoration via Contrastive Learning and a Real-world
Dataset [59.35766392100753]
本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。
提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
論文 参考訳（メタデータ） (2021-06-20T16:06:26Z) - Progressive Depth Learning for Single Image Dehazing [56.71963910162241]
既存の脱湿法は、しばしば深度を無視し、より重いヘイズが視界を乱す遠くの地域で失敗する。
画像深度と伝送マップを反復的に推定するディープエンドツーエンドモデルを提案する。
私たちのアプローチは、画像深度と伝送マップの内部関係を明示的にモデリングすることから利益を得ます。
論文 参考訳（メタデータ） (2021-02-21T05:24:18Z) - Deep 3D Capture: Geometry and Reflectance from Sparse Multi-View Images [59.906948203578544]
本稿では,任意の物体の高品質な形状と複雑な空間変化を持つBRDFを再構成する学習に基づく新しい手法を提案する。
まず、深層多視点ステレオネットワークを用いて、ビューごとの深度マップを推定する。
これらの深度マップは、異なるビューを粗く整列するために使用される。
本稿では,新しい多視点反射率推定ネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-03-27T21:28:54Z)
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。