論文の概要: APGNet: Adaptive Prior-Guided for Underwater Camouflaged Object Detection
- arxiv url: http://arxiv.org/abs/2510.12056v1
- Date: Tue, 14 Oct 2025 01:51:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-15 19:02:32.139162
- Title: APGNet: Adaptive Prior-Guided for Underwater Camouflaged Object Detection
- Title（参考訳）: APGNet:水中カモフラージュ物体検出のための適応型事前ガイド
- Authors: Xinxin Huang, Han Sun, Junmin Cai, Ningzhong Liu, Huiyu Zhou,
- Abstract要約: 本研究では,水中環境下でカモフラージュされた物体を検出するために,APGNet(Adaptive Prior-Guided Network)を提案する。
APGNetは、ロバスト性と検出精度を高めるために、シームズアーキテクチャと新しい事前誘導機構を統合する。
提案手法は,広く用いられている評価基準の下で,15の最先端手法より優れていた。
- 参考スコア（独自算出の注目度）: 22.097955383220143
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting camouflaged objects in underwater environments is crucial for marine ecological research and resource exploration. However, existing methods face two key challenges: underwater image degradation, including low contrast and color distortion, and the natural camouflage of marine organisms. Traditional image enhancement techniques struggle to restore critical features in degraded images, while camouflaged object detection (COD) methods developed for terrestrial scenes often fail to adapt to underwater environments due to the lack of consideration for underwater optical characteristics. To address these issues, we propose APGNet, an Adaptive Prior-Guided Network, which integrates a Siamese architecture with a novel prior-guided mechanism to enhance robustness and detection accuracy. First, we employ the Multi-Scale Retinex with Color Restoration (MSRCR) algorithm for data augmentation, generating illumination-invariant images to mitigate degradation effects. Second, we design an Extended Receptive Field (ERF) module combined with a Multi-Scale Progressive Decoder (MPD) to capture multi-scale contextual information and refine feature representations. Furthermore, we propose an adaptive prior-guided mechanism that hierarchically fuses position and boundary priors by embedding spatial attention in high-level features for coarse localization and using deformable convolution to refine contours in low-level features. Extensive experimental results on two public MAS datasets demonstrate that our proposed method APGNet outperforms 15 state-of-art methods under widely used evaluation metrics.
- Abstract（参考訳）: 海洋環境下でのカモフラージュされた物体の検出は海洋生態学研究や資源探査に不可欠である。
しかし、既存の手法では、低コントラストや色歪みを含む水中画像の劣化と、海洋生物の自然カモフラージュという2つの大きな課題に直面している。
従来の画像強調技術は劣化した画像における重要な特徴の復元に苦慮する一方で、地球上のシーンのために開発されたカモフラージュされた物体検出(COD)法は水中光学特性の考慮が欠如しているため、水中環境への適応に失敗することが多い。
これらの問題に対処するために,我々は,サイムズアーキテクチャと新しい事前誘導機構を統合し,堅牢性と検出精度を向上させるAdaptive Prior-Guided NetworkであるAPGNetを提案する。
まず,Multi-Scale Retinex with Color Restoration (MSRCR)アルゴリズムをデータ拡張に利用し,劣化効果を軽減するために照明不変画像を生成する。
第2に、マルチスケールプログレッシブデコーダ(MPD)と組み合わせた拡張受容場(ERF)モジュールを設計し、マルチスケールのコンテキスト情報をキャプチャし、特徴表現を洗練させる。
さらに、粗い局所化のための高次特徴に空間的注意を埋め込み、変形可能な畳み込みを用いて低次特徴の輪郭を洗練することにより、階層的に位置と境界を融合する適応的な事前誘導機構を提案する。
2つのパブリックMASデータセットの大規模な実験結果から,提案手法のAPGNetは,広く用いられている評価基準の下で15の最先端手法より優れていることが示された。
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) - RUSplatting: Robust 3D Gaussian Splatting for Sparse-View Underwater Scene Reconstruction [9.070464075411472]
本稿では,水中深部レンダリングの視覚的品質と精度を両立させる,ガウススプラッティングに基づくフレームワークを提案する。
水中減衰の物理によって導かれるRGBチャネルの分離学習を提案し,より正確な色復元を実現する。
新たに収集されたデータセットであるSubmerged3Dは、特に深海環境においてキャプチャされる。
論文 参考訳（メタデータ） (2025-05-21T16:42:15Z) - 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) - UW-SDF: Exploiting Hybrid Geometric Priors for Neural SDF Reconstruction from Underwater Multi-view Monocular Images [63.32490897641344]
ニューラルSDFに基づく多視点水中画像から対象物を再構成するフレームワークを提案する。
再建過程を最適化するためのハイブリッドな幾何学的先行手法を導入し、神経SDF再建の質と効率を著しく向上させる。
論文 参考訳（メタデータ） (2024-10-10T16:33:56Z) - 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) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - A Gated Cross-domain Collaborative Network for Underwater Object
Detection [14.715181402435066]
水中物体検出は養殖と海洋環境保護において重要な役割を担っている。
水中画像の品質向上のため,水中画像強調法(UIE)が提案されている。
本稿では,水中環境における可視性とコントラストの低さの課題に対処するため,GCC-Net(Gated Cross-domain Collaborative Network)を提案する。
論文 参考訳（メタデータ） (2023-06-25T06:28:28Z) - 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) - Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。
提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
論文 参考訳（メタデータ） (2022-12-23T03:00:28Z)
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。