論文の概要: TIDE: Two-Stage Inverse Degradation Estimation with Guided Prior Disentanglement for Underwater Image Restoration

• arxiv url: http://arxiv.org/abs/2512.07171v1
• Date: Mon, 08 Dec 2025 05:06:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.714638
• Title: TIDE: Two-Stage Inverse Degradation Estimation with Guided Prior Disentanglement for Underwater Image Restoration
• Title（参考訳）: TIDE:水中画像復元のための2段階逆劣化推定法
• Authors: Shravan Venkatraman, Rakesh Raj Madavan, Pavan Kumar S, Muthu Subash Kavitha,
• Abstract要約: TIDEは$underlinet$woのステージで、分解特性を明示的にモデル化し、特別な事前分解を通じてターゲットの復元を適用する。 本手法は, 局所劣化パターンに基づいて, 適応的に融合した複数の特殊仮説に復元過程を分解する。 特殊な復元仮説を生成することにより、TIDEは競合する劣化因子をバランスさせ、高度に劣化した領域でも自然の結果を産出する。
• 参考スコア（独自算出の注目度）: 2.5840709738256127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater image restoration is essential for marine applications ranging from ecological monitoring to archaeological surveys, but effectively addressing the complex and spatially varying nature of underwater degradations remains a challenge. Existing methods typically apply uniform restoration strategies across the entire image, struggling to handle multiple co-occurring degradations that vary spatially and with water conditions. We introduce TIDE, a $\underline{t}$wo stage $\underline{i}$nverse $\underline{d}$egradation $\underline{e}$stimation framework that explicitly models degradation characteristics and applies targeted restoration through specialized prior decomposition. Our approach disentangles the restoration process into multiple specialized hypotheses that are adaptively fused based on local degradation patterns, followed by a progressive refinement stage that corrects residual artifacts. Specifically, TIDE decomposes underwater degradations into four key factors, namely color distortion, haze, detail loss, and noise, and designs restoration experts specialized for each. By generating specialized restoration hypotheses, TIDE balances competing degradation factors and produces natural results even in highly degraded regions. Extensive experiments across both standard benchmarks and challenging turbid water conditions show that TIDE achieves competitive performance on reference based fidelity metrics while outperforming state of the art methods on non reference perceptual quality metrics, with strong improvements in color correction and contrast enhancement. Our code is available at: https://rakesh-123-cryp.github.io/TIDE.
• Abstract（参考訳）: 海底画像の復元は、生態モニタリングから考古学的な調査まで、海洋の用途には不可欠であるが、水中劣化の複雑で空間的に変化する性質に効果的に対処することは、依然として課題である。 既存の手法は通常、画像全体にわたって一様復元戦略を適用し、空間的および水環境によって異なる複数の共起劣化を扱うのに苦労する。 TIDE, a $\underline{t}$wo stage $\underline{i}$nverse $\underline{d}$egradation $\underline{e}$stimation framework。 本手法は, 局所的な劣化パターンに基づいて, 適応的に融合した複数の特殊仮説に復元過程を分解し, その後, 遺物の修正を行う進行的改善段階を呈する。 特に、TIDEは水中の劣化を4つの重要な要因、すなわち色歪み、迷路、詳細損失、騒音に分解し、それぞれに専門的な修復の専門家をデザインする。 特殊な復元仮説を生成することにより、TIDEは競合する劣化因子をバランスさせ、高度に劣化した領域でも自然の結果を産出する。 標準ベンチマークと挑戦的な濁水条件の両方にわたる広範囲な実験により、TIDEは基準ベース忠実度測定において競争性能を達成し、非基準知覚品質測定において最先端の手法よりも優れており、色補正とコントラスト向上が強いことが示されている。 私たちのコードは、https://rakesh-123-cryp.github.io/TIDE.orgで利用可能です。

関連論文リスト

• A Generative Data Framework with Authentic Supervision for Underwater Image Restoration and Enhancement [51.382274157144714]
  我々は、未ペア画像から画像への変換に基づく生成データフレームワークを開発する。 このフレームワークは、正確な地上構造ラベルを持つ合成データセットを構成する。 実験により、我々の合成データに基づいてトレーニングされたモデルが、既存のベンチマークでトレーニングされたモデルに匹敵する、あるいは優れた色復元と一般化性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-11-18T14:20:17Z)
• 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)
• 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)
• UniRes: Universal Image Restoration for Complex Degradations [53.74404005987783]
  実世界のイメージ復元は、様々なキャプチャ条件、キャプチャデバイス、後処理パイプラインから生じるさまざまな劣化によって妨げられている。 UniResという名前の、シンプルで柔軟な拡散ベースのフレームワークは、このような劣化をエンドツーエンドで解決するために提案されている。 提案手法は, 複合劣化画像復元データセットと単分解画像復元データセットの両方を用いて評価する。
  論文  参考訳（メタデータ） (2025-06-05T21:25:39Z)
• UniUIR: Considering Underwater Image Restoration as An All-in-One Learner [62.65503609562905]
  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)
• UniRestorer: Universal Image Restoration via Adaptively Estimating Image Degradation at Proper Granularity [79.90839080916913]
  We present our UniRestorer with improve restoration performance。 具体的には、劣化空間上で階層的クラスタリングを行い、マルチグラニュラリティ・ミックス・オブ・エキスパート(MoE)復元モデルを訓練する。 UniRestorerは、既存の劣化診断法と -aware 法とは対照的に、劣化推定を利用して劣化特定回復の恩恵を受けることができる。
  論文  参考訳（メタデータ） (2024-12-28T14:09:08Z)
• HybrUR: A Hybrid Physical-Neural Solution for Unsupervised Underwater Image Restoration [18.690940762032568]
  そこで本稿では,無人水中画像から水中視力回復を学習する,データ駆動型・物理駆動型非教師アーキテクチャを提案する。 Jaffe-McGlamery分解理論を用いて生成モデルを設計し、ニューラルネットワークを用いて水中劣化の過程を記述する。 提案手法は,非拘束水中画像の高品質な復元を,監督なしに行うことができることを示す。
  論文  参考訳（メタデータ） (2021-07-06T15:00:30Z)

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。