論文の概要: AquaDiff: Diffusion-Based Underwater Image Enhancement for Addressing Color Distortion

• arxiv url: http://arxiv.org/abs/2512.14760v1
• Date: Mon, 15 Dec 2025 18:05:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.729227
• Title: AquaDiff: Diffusion-Based Underwater Image Enhancement for Addressing Color Distortion
• Title（参考訳）: AquaDiff:色歪み対応のための拡散型水中画像強調
• Authors: Afrah Shaahid, Muzammil Behzad,
• Abstract要約: アクアディフ(AquaDiff)は、色歪みを補正し、構造的および知覚的忠実性を保つために設計された拡散に基づく水中画像強調フレームワークである。 新たなクロスドメイン整合性損失は、ピクセルレベルの精度、知覚的類似性、構造的整合性、周波数領域の忠実性を共同で強化する。 複数の挑戦的な水中ベンチマークの実験は、AquaDiffが最先端の伝統、CNN-、GAN-、拡散に基づく手法と比較して良い結果をもたらすことを示した。
• 参考スコア（独自算出の注目度）: 0.3437656066916039
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Underwater images are severely degraded by wavelength-dependent light absorption and scattering, resulting in color distortion, low contrast, and loss of fine details that hinder vision-based underwater applications. To address these challenges, we propose AquaDiff, a diffusion-based underwater image enhancement framework designed to correct chromatic distortions while preserving structural and perceptual fidelity. AquaDiff integrates a chromatic prior-guided color compensation strategy with a conditional diffusion process, where cross-attention dynamically fuses degraded inputs and noisy latent states at each denoising step. An enhanced denoising backbone with residual dense blocks and multi-resolution attention captures both global color context and local details. Furthermore, a novel cross-domain consistency loss jointly enforces pixel-level accuracy, perceptual similarity, structural integrity, and frequency-domain fidelity. Extensive experiments on multiple challenging underwater benchmarks demonstrate that AquaDiff provides good results as compared to the state-of-the-art traditional, CNN-, GAN-, and diffusion-based methods, achieving superior color correction and competitive overall image quality across diverse underwater conditions.
• Abstract（参考訳）: 水中画像は波長依存性の光吸収と散乱によって著しく劣化し、色歪み、低コントラスト、そして視覚に基づく水中の応用を妨げる細部が失われる。 これらの課題に対処するために,構造的および知覚的忠実性を維持しつつ色歪みを補正する拡散型水中画像強調フレームワークAquaDiffを提案する。 AquaDiffは、色覚的事前誘導色補正戦略と条件拡散プロセスを統合し、各ノイズ発生ステップにおいて、クロスアテンションは劣化した入力とノイズのある潜在状態を動的に融合させる。 濃密なブロックと多分解能アテンションを持つ拡張されたデノージングバックボーンは、グローバルな色コンテキストと局所的な詳細の両方をキャプチャする。 さらに、新しいクロスドメイン整合性損失は、ピクセルレベルの精度、知覚的類似性、構造的整合性、周波数領域の忠実さを共同で強制する。 複数の挑戦的な水中ベンチマークに関する大規模な実験は、AquaDiffが従来のCNN-, GAN-, 拡散に基づく手法と比較して良い結果をもたらすことを示した。

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)
• Underwater Diffusion Attention Network with Contrastive Language-Image Joint Learning for Underwater Image Enhancement [0.8747606955991707]
  UDAN-CLIPは、合成水中データセットで事前トレーニングされた画像間拡散フレームワークである。 視覚言語モデルに基づくカスタマイズされた分類器、空間的注意モジュール、新しいCLIP拡散損失で拡張される。 提案したコントリビューションにより、UDAN-CLIPモデルにより、より効果的な水中画像強調を行うことができる。
  論文  参考訳（メタデータ） (2025-05-26T12:24:56Z)
• 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)
• Underwater Image Enhancement via Dehazing and Color Restoration [15.51430949110587]
  既存の水中画像強調法は、ヘイズとカラーキャストを統一的な劣化過程として扱う。 本研究では,水中画像の品質向上を目的としたビジョントランス (ViT) ベースのネットワーク (WaterFormer と呼ぶ) を提案する。
  論文  参考訳（メタデータ） (2024-09-15T15:58:20Z)
• Dual High-Order Total Variation Model for Underwater Image Restoration [13.789310785350484]
  水中画像の高画質化と復元(UIER)は,水中画像の画質向上のための重要な手段である。 拡張水中画像形成モデル(UIFM)に基づく効果的な変分フレームワークを提案する。 提案フレームワークでは,重み係数に基づく色補正とカラーバランスを組み合わせることで,減衰した色チャネルを補償し,色キャストを除去する。
  論文  参考訳（メタデータ） (2024-07-20T13:06:37Z)
• FDCE-Net: Underwater Image Enhancement with Embedding Frequency and Dual Color Encoder [49.79611204954311]
  水中画像は、低明度、色の変化、ぼやけた詳細、吸光光によるノイズ、水や懸濁粒子による散乱などの様々な問題に悩まされることが多い。 従来の水中画像強調法(UIE)は主に空間領域の強調に焦点を当てており、画像固有の周波数領域情報を無視している。
  論文  参考訳（メタデータ） (2024-04-27T15:16:34Z)
• WaterFlow: Heuristic Normalizing Flow for Underwater Image Enhancement and Beyond [52.27796682972484]
  既存の水中画像強調法は, 画像品質の向上に重点を置いており, 実践への影響を無視している。 本稿では,検出駆動型水中画像強調のための正規化フローであるWaterFlowを提案する。 微分可能性や解釈可能性を考慮すると、事前をデータ駆動マッピング手法に組み込む。
  論文  参考訳（メタデータ） (2023-08-02T04:17:35Z)
• Underwater Image Enhancement via Medium Transmission-Guided Multi-Color Space Embedding [88.46682991985907]
  本稿では,Ucolor と呼ばれる媒体透過誘導多色空間埋め込みによる水中画像強調ネットワークを提案する。 当社のネットワークは、複数の色空間を埋め込むことにより、水中画像の視覚的品質を効果的に改善できます。
  論文  参考訳（メタデータ） (2021-04-27T07:35:30Z)

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。