論文の概要: Enhancing Underwater Images via Deep Learning: A Comparative Study of VGG19 and ResNet50-Based Approaches
- arxiv url: http://arxiv.org/abs/2508.17397v1
- Date: Sun, 24 Aug 2025 15:10:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-26 18:43:45.503939
- Title: Enhancing Underwater Images via Deep Learning: A Comparative Study of VGG19 and ResNet50-Based Approaches
- Title（参考訳）: 深層学習による水中画像の強調:VGG19とResNet50に基づくアプローチの比較研究
- Authors: Aoqi Li, Yanghui Song, Jichao Dao, Chengfu Yang,
- Abstract要約: 提案手法は、2つの深い畳み込みニューラルネットワークモデル、VGG19とResNet50を巧みに統合する。
2つのモデルの補完的な利点は効果的に統合され、より包括的で正確な画像強調効果が得られる。
- 参考スコア（独自算出の注目度）: 4.073695297511109
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper addresses the challenging problem of image enhancement in complex underwater scenes by proposing a solution based on deep learning. The proposed method skillfully integrates two deep convolutional neural network models, VGG19 and ResNet50, leveraging their powerful feature extraction capabilities to perform multi-scale and multi-level deep feature analysis of underwater images. By constructing a unified model, the complementary advantages of the two models are effectively integrated, achieving a more comprehensive and accurate image enhancement effect.To objectively evaluate the enhancement effect, this paper introduces image quality assessment metrics such as PSNR, UCIQE, and UIQM to quantitatively compare images before and after enhancement and deeply analyzes the performance of different models in different scenarios.Furthermore, to improve the practicality and stability of the underwater visual enhancement system, this paper also provides practical suggestions from aspects such as model optimization, multi-model fusion, and hardware selection, aiming to provide strong technical support for visual enhancement tasks in complex underwater environments.
- Abstract（参考訳）: 本稿では,深層学習に基づく解を提案することにより,複雑な水中シーンにおける画像強調の課題に対処する。
提案手法は、2つの深層畳み込みニューラルネットワークモデル、VGG19とResNet50を巧みに統合し、その強力な特徴抽出機能を活用して水中画像のマルチスケールおよびマルチレベルの深部特徴解析を行う。
統合モデルの構築により、2つのモデルの相補的な利点を効果的に統合し、より包括的で正確な画像強調効果を達成し、その効果を客観的に評価するために、PSNR、UCIQE、UIQMなどの画像品質評価指標を導入し、異なるシナリオにおける異なるモデルの性能を定量的に比較し、深く分析すると共に、モデル最適化、マルチモデル融合、ハードウェア選択といった側面からの実用的な提案を行い、複雑な水中環境における視覚強調タスクの強力な技術的支援を提供する。
関連論文リスト
- Enhancing Underwater Images Using Deep Learning with Subjective Image Quality Integration [0.8287206589886879]
本稿では,水中画像の品質向上のための深層学習に基づくアプローチを提案する。
専門家によってラベル付けされた水中画像を含む公開データセットを、高品質または低品質のいずれでも使用しています。
その結果,提案手法は画像品質の認識と測定の両方において大幅な改善を達成できることが示唆された。
論文 参考訳（メタデータ） (2025-07-07T18:25:13Z) - 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) - UIE-UnFold: Deep Unfolding Network with Color Priors and Vision Transformer for Underwater Image Enhancement [27.535028176427623]
水中画像強調(UIE)は様々な海洋用途において重要な役割を担っている。
現在の学習に基づくアプローチは、水中画像形成に関わる物理過程に関する明確な事前知識を欠いていることが多い。
そこで本稿では,UIEのカラープリエントとステージ間特徴付与を統合した新しいディープ・アンフォールディング・ネットワーク(DUN)を提案する。
論文 参考訳（メタデータ） (2024-08-20T08:48:33Z) - Separated Attention: An Improved Cycle GAN Based Under Water Image Enhancement Method [0.0]
我々は、損失関数を改良した最先端のサイクルGANモデルのサイクル一貫した学習手法を利用した。
我々は、ベンチマークしたEnhancing Underwater Visual Perceptionデータセット上で、修正された損失関数を用いてCycle GANモデルを訓練した。
アップグレードされた画像は、従来のモデルによるより良い結果を提供し、さらに水中ナビゲーション、ポーズ推定、サリエンシ予測、物体の検出と追跡を行う。
論文 参考訳（メタデータ） (2024-04-11T11:12:06Z) - PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with
Dual-Discriminators [120.06891448820447]
鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。
水中画像強調(UIE)の課題も、時間とともに現れた。
本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。
我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
論文 参考訳（メタデータ） (2023-06-15T07:41:12Z) - 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) - A Generic Approach for Enhancing GANs by Regularized Latent Optimization [79.00740660219256]
本稿では,事前学習したGANを効果的かつシームレスに拡張できる,エミュレーティブモデル推論と呼ばれる汎用フレームワークを提案する。
我々の基本的な考え方は、ワッサーシュタイン勾配流法を用いて与えられた要求に対する最適潜時分布を効率的に推算することである。
論文 参考訳（メタデータ） (2021-12-07T05:22:50Z) - Image-specific Convolutional Kernel Modulation for Single Image
Super-resolution [85.09413241502209]
本稿では,新しい画像特異的畳み込み変調カーネル(IKM)を提案する。
我々は、画像や特徴のグローバルな文脈情報を利用して、畳み込みカーネルを適応的に調整するための注意重みを生成する。
単一画像超解像実験により,提案手法は最先端手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2021-11-16T11:05:10Z) - Perceptual underwater image enhancement with deep learning and physical
priors [35.37760003463292]
本稿では,2つの知覚強調モデルを提案する。
トレーニングデータの欠如により, 物理的先行とデータ駆動的手がかりを融合したハイブリッド水中画像合成モデルが提案され, トレーニングデータを合成する。
実験結果から,提案手法は実環境および合成水中データセット上でのいくつかの最先端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） (2020-08-21T22:11:34Z)
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。