論文の概要: PhysDNet: Physics-Guided Decomposition Network of Side-Scan Sonar Imagery

• arxiv url: http://arxiv.org/abs/2511.19539v1
• Date: Mon, 24 Nov 2025 10:54:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.084304
• Title: PhysDNet: Physics-Guided Decomposition Network of Side-Scan Sonar Imagery
• Title（参考訳）: PhysDNet:サイドスキャンソナー画像の物理誘導分解ネットワーク
• Authors: Can Lei, Hayat Rajani, Nuno Gracias, Rafael Garcia, Huigang Wang,
• Abstract要約: PhysDNetは物理誘導ネットワークで、SSS画像を3つの解釈可能なフィールドに分離する。 PhysDNetは海底反射率、地形高度、伝播損失からソナー強度を再構築する。 実験により、分解された表現は安定した地質構造を保持し、物理的に一貫した照明と減衰を捉え、信頼できる影の地図を生成することが示された。
• 参考スコア（独自算出の注目度）: 0.1631115063641726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Side-scan sonar (SSS) imagery is widely used for seafloor mapping and underwater remote sensing, yet the measured intensity is strongly influenced by seabed reflectivity, terrain elevation, and acoustic path loss. This entanglement makes the imagery highly view-dependent and reduces the robustness of downstream analysis. In this letter, we present PhysDNet, a physics-guided multi-branch network that decouples SSS images into three interpretable fields: seabed reflectivity, terrain elevation, and propagation loss. By embedding the Lambertian reflection model, PhysDNet reconstructs sonar intensity from these components, enabling self-supervised training without ground-truth annotations. Experiments show that the decomposed representations preserve stable geological structures, capture physically consistent illumination and attenuation, and produce reliable shadow maps. These findings demonstrate that physics-guided decomposition provides a stable and interpretable domain for SSS analysis, improving both physical consistency and downstream tasks such as registration and shadow interpretation.
• Abstract（参考訳）: サイドスキャンソナー(SSS)画像は海底マッピングや水中リモートセンシングに広く用いられているが、計測された強度は海底反射率、地形の標高、音響経路の損失に強く影響されている。 この絡み合いにより、画像の視界依存性が高くなり、下流解析の堅牢性が低下する。 本稿では,SSS画像を海底反射率,地形高度,伝播損失の3つの解釈可能な領域に分解する物理誘導型マルチブランチネットワークであるPhysDNetを提案する。 ランベルト反射モデルを埋め込むことで、PhysDNetはこれらの成分からソナー強度を再構成し、接地トルースアノテーションを使わずに自己教師付きトレーニングを可能にする。 実験により、分解された表現は安定した地質構造を保持し、物理的に一貫した照明と減衰を捉え、信頼できる影の地図を生成することが示された。 これらの結果から, 物理誘導分解は, SSS解析のための安定かつ解釈可能な領域を提供し, 登録やシャドウ解釈といった物理整合性および下流のタスクを改善することが示唆された。

関連論文リスト

• S2ML: Spatio-Spectral Mutual Learning for Depth Completion [56.26679539288063]
  RGB-Dカメラで撮影した生深度画像は、弱い反射、境界影、アーティファクトによって不完全な深度値に悩まされることが多い。 既存の手法では、画像領域の深度補完によってこの問題に対処するが、それらは生の深度画像の物理的特性を見落としている。 本研究では,空間領域と周波数領域の両方の利点を両立させるため,S2ML(Spatio-Spectral Mutual Learning framework)を提案する。
  論文  参考訳（メタデータ） (2025-11-08T15:01:55Z)
• Continuous subsurface property retrieval from sparse radar observations using physics informed neural networks [0.3580891736370874]
  本研究では, 地下誘電率を, 深さの完全なニューラルかつ連続的な関数として再構成する機械学習フレームワークを提案する。 このアプローチは境界駆動から連続特性推定への地下反転を再構成し、滑らかな誘電率変動の正確なキャラクタリゼーションを可能にする。
  論文  参考訳（メタデータ） (2025-10-29T16:09:24Z)
• Intrinsic Image Decomposition for Robust Self-supervised Monocular Depth Estimation on Reflective Surfaces [10.557788087220509]
  自己教師付き単分子深度推定(SSMDE)は深層学習の分野で注目を集めている。 固有画像分解をSSMDEに組み込んだ新しいフレームワークを提案する。 本手法は単眼深度推定と内在画像分解の両方を相乗的に訓練する。
  論文  参考訳（メタデータ） (2025-03-28T07:56:59Z)
• PIGUIQA: A Physical Imaging Guided Perceptual Framework for Underwater Image Quality Assessment [59.9103803198087]
  水中画像品質評価(UIQA)のための物理画像ガイド型知覚フレームワークを提案する。 水中放射移動理論を応用して、物理に基づく画像推定を統合して、これらの歪みの定量的な測定値を確立する。 提案モデルは,画像品質のスコアを正確に予測し,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-12-20T03:31:45Z)
• Unsupervised Monocular Depth Estimation Based on Hierarchical Feature-Guided Diffusion [27.677765887774186]
  教師なし単分子深度推定は、地上の真実を示さずに訓練できるため、広く注目を集めている。 我々は、教師なし単眼深度推定のために、生成ネットワーク間でよく収束する拡散モデルを用いる。 このモデルは深度分布の学習と解釈の能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-06-14T07:31:20Z)
• PHISWID: Physics-Inspired Underwater Image Dataset Synthesized from RGB-D Images [9.117162374919715]
  本稿では,物理にヒントを得た水中画像データセット(PHISWID)を紹介する。 物理にインスパイアされた画像合成による水中画像処理の強化に適したデータセットである。 我々のデータセットは水中画像処理の発展に寄与する。
  論文  参考訳（メタデータ） (2024-04-05T10:23:10Z)
• Enhancing Photorealism Enhancement [83.88433283714461]
  本稿では,畳み込みネットワークを用いた合成画像のリアリズム向上手法を提案する。 一般的に使用されるデータセットのシーンレイアウトの分布を分析し、重要な方法で異なることを見つけます。 近年のイメージ・ツー・イメージ翻訳法と比較して,安定性とリアリズムの大幅な向上が報告されている。
  論文  参考訳（メタデータ） (2021-05-10T19:00:49Z)
• 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 CG2Real: Synthetic-to-Real Translation via Image Disentanglement [78.58603635621591]
  画像空間における未ペアの合成-現実翻訳ネットワークの訓練は、厳しい制約下にある。 画像の非交叉シェーディング層とアルベド層に作用する半教師付きアプローチを提案する。 私たちの2段階のパイプラインはまず、物理ベースのレンダリングをターゲットとして、教師付き方法で正確なシェーディングを予測することを学習します。
  論文  参考訳（メタデータ） (2020-03-27T21:45:41Z)

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。