論文の概要: JDPNet: A Network Based on Joint Degradation Processing for Underwater Image Enhancement

• arxiv url: http://arxiv.org/abs/2512.20213v1
• Date: Tue, 23 Dec 2025 10:12:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.82311
• Title: JDPNet: A Network Based on Joint Degradation Processing for Underwater Image Enhancement
• Title（参考訳）: JDPNet:水中画像強調のための共同劣化処理に基づくネットワーク
• Authors: Tao Ye, Hongbin Ren, Chongbing Zhang, Haoran Chen, Xiaosong Li,
• Abstract要約: JDPNetは、共同劣化処理ネットワークである。 統合されたフレームワーク内で、分解結合に固有の潜在的な情報を統一する。 最先端のパフォーマンスを示しながら、パフォーマンス、パラメータサイズ、計算コストのトレードオフを改善する。
• 参考スコア（独自算出の注目度）: 9.989461961314753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given the complexity of underwater environments and the variability of water as a medium, underwater images are inevitably subject to various types of degradation. The degradations present nonlinear coupling rather than simple superposition, which renders the effective processing of such coupled degradations particularly challenging. Most existing methods focus on designing specific branches, modules, or strategies for specific degradations, with little attention paid to the potential information embedded in their coupling. Consequently, they struggle to effectively capture and process the nonlinear interactions of multiple degradations from a bottom-up perspective. To address this issue, we propose JDPNet, a joint degradation processing network, that mines and unifies the potential information inherent in coupled degradations within a unified framework. Specifically, we introduce a joint feature-mining module, along with a probabilistic bootstrap distribution strategy, to facilitate effective mining and unified adjustment of coupled degradation features. Furthermore, to balance color, clarity, and contrast, we design a novel AquaBalanceLoss to guide the network in learning from multiple coupled degradation losses. Experiments on six publicly available underwater datasets, as well as two new datasets constructed in this study, show that JDPNet exhibits state-of-the-art performance while offering a better tradeoff between performance, parameter size, and computational cost.
• Abstract（参考訳）: 水中環境の複雑さと媒質としての水の多様性を考えると、水中画像は必然的に様々な種類の劣化の影響を受ける。 分解は単純な重ね合わせではなく非線形カップリングを示しており、このような結合した分解を効果的に処理することは特に困難である。 既存のほとんどのメソッドは、特定のブランチ、モジュール、あるいは特定の分解のための戦略の設計に重点を置いており、結合に埋め込まれた潜在的な情報にはほとんど注意を払わない。 その結果、ボトムアップの観点から複数の劣化の非線形相互作用を効果的に捉え、処理するのに苦労する。 この問題を解決するために,統合化フレームワーク内での結合分解に固有のポテンシャル情報をマイニングし,統一化するJDPNetを提案する。 具体的には,結合劣化特性の効率的なマイニングと統一的な調整を容易にするために,共同機能マイニングモジュールと確率的ブートストラップ分布戦略を導入する。 さらに、色、明度、コントラストのバランスをとるために、複数の複合劣化損失からネットワークを誘導する新しいAquaBalanceLossを設計する。 6つのパブリックな水中データセットと2つの新しいデータセットの実験により、JDPNetは、パフォーマンス、パラメータサイズ、計算コストのトレードオフをよりよく提供しながら、最先端のパフォーマンスを示すことを示した。

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)
• 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)
• 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)
• 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)
• Efficient Image Super-Resolution with Feature Interaction Weighted Hybrid Network [101.53907377000445]
  軽量画像超解像は、低解像度画像から低計算コストで高解像度画像を再構成することを目的としている。 既存の方法では、活性化関数による中間層の特徴が失われる。 本稿では,中間的特徴損失が再構成品質に与える影響を最小限に抑えるために,特徴相互作用重み付きハイブリッドネットワーク(FIWHN)を提案する。
  論文  参考訳（メタデータ） (2022-12-29T05:57:29Z)
• Domain Adaptation for Underwater Image Enhancement [51.71570701102219]
  本稿では,ドメイン間およびドメイン内ギャップを最小限に抑えるために,新しい2相水中ドメイン適応ネットワーク(TUDA)を提案する。 第1段階では、入力画像のリアリズムを強化する翻訳部と、拡張部とを含む新しい二重配向ネットワークを設計する。 第2フェーズでは、ランクベースの水中品質評価手法が組み込まれている強化画像の評価品質に応じて、実データを簡単に分類する。
  論文  参考訳（メタデータ） (2021-08-22T06:38:19Z)

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。