論文の概要: Looking Into the Water by Unsupervised Learning of the Surface Shape

• arxiv url: http://arxiv.org/abs/2603.07614v1
• Date: Sun, 08 Mar 2026 12:54:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.910821
• Title: Looking Into the Water by Unsupervised Learning of the Surface Shape
• Title（参考訳）: 表面形状の教師なし学習による水面観察
• Authors: Ori Lifschitz, Tali Treibitz, Dan Rosenbaum,
• Abstract要約: 我々は,水面の屈折による画像歪みを除去するために,空気中の水を調べるという課題に対処する。 提案手法は,底面画像が一定であると仮定して,様々な地点で異なる水面構造をモデル化することに基づいている。
• 参考スコア（独自算出の注目度）: 5.875225219574616
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We address the problem of looking into the water from the air, where we seek to remove image distortions caused by refractions at the water surface. Our approach is based on modeling the different water surface structures at various points in time, assuming the underlying image is constant. To this end, we propose a model that consists of two neural-field networks. The first network predicts the height of the water surface at each spatial position and time, and the second network predicts the image color at each position. Using both networks, we reconstruct the observed sequence of images and can therefore use unsupervised training. We show that using implicit neural representations with periodic activation functions (SIREN) leads to effective modeling of the surface height spatio-temporal signal and its derivative, as required for image reconstruction. Using both simulated and real data we show that our method outperforms the latest unsupervised image restoration approach. In addition, it provides an estimate of the water surface.
• Abstract（参考訳）: 我々は,水面の屈折による画像歪みを除去するために,空気中の水を調べるという課題に対処する。 提案手法は,底面画像が一定であると仮定して,様々な地点で異なる水面構造をモデル化することに基づいている。 そこで本研究では,2つのニューラルネットワークからなるモデルを提案する。 第1のネットワークは、各空間位置と時間における水面の高さを予測し、第2のネットワークは、各位置における画像色を予測する。 両ネットワークを用いて観察された画像列を再構成し,教師なしトレーニングを使用できる。 本研究では,周期的アクティベーション関数(SIREN)を用いた暗黙的神経表現を用いることで,画像再構成に必要な表面高時空間信号とその誘導体を効果的にモデル化できることを示す。 シミュレーションデータと実データの両方を用いて,本手法が最新の教師なし画像復元手法より優れていることを示す。 また、水面の推定値も提供する。

関連論文リスト

• NeuroPump: Simultaneous Geometric and Color Rectification for Underwater Images [52.863935209616635]
  水中画像の復元は、水の屈折、吸収、散乱による幾何学的および色の歪みを取り除くことを目的としている。 本研究では,水中の形状と色を水が汲み出されているかのように同時に最適化し,修正する自己教師型方法であるNeuroPumpを提案する。
  論文  参考訳（メタデータ） (2024-12-20T13:40:28Z)
• Physics Informed and Data Driven Simulation of Underwater Images via Residual Learning [5.095097384893417]
  一般的に水中の画像は、光が水中を伝播するにつれて減衰し後方散乱するため、色歪みと低コントラストに悩まされる。 既存の単純な劣化モデル(大気画像の「ヘイジング」効果に似ている)は水中画像の劣化を適切に表現するには不十分である。 水中効果を自動的にシミュレートする深層学習型アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-02-07T21:53:28Z)
• Ghost on the Shell: An Expressive Representation of General 3D Shapes [97.76840585617907]
  リアルな素材と照明で高速な物理ベースのレンダリングを可能にするので、メッシュは魅力的だ。 近年の3次元形状の再構成と統計的モデリングの研究は、メッシュをトポロジカルに非フレキシブルであると批判している。 我々は水密面上の多様体符号距離場を定義することにより開曲面をパラメータ化する。 G-Shellは、非水密メッシュ再構築および生成タスクにおける最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-10-23T17:59:52Z)
• DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
  トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。 我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。 実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
  論文  参考訳（メタデータ） (2023-05-02T18:06:21Z)
• Seafloor-Invariant Caustics Removal from Underwater Imagery [0.0]
  コースティックス(英: Caustics)は、波面によって屈折される光線の投射によって生じる複雑な物理現象である。 本研究では,浅海底画像に対する因果関係の影響を補正する新しい手法を提案する。 特に,画像画素を"非因果的"と"因果的"に分類するために,ディープラーニングアーキテクチャを用いた。
  論文  参考訳（メタデータ） (2022-12-20T11:11:02Z)
• Water Simulation and Rendering from a Still Photograph [20.631819299595527]
  本研究では,静止画1枚からリアルな水のアニメーションをシミュレートし,レンダリングする手法を提案する。 我々のアプローチは、様々な自然のシーンに対して、ユーザの介入なしに現実的な結果を生み出す。
  論文  参考訳（メタデータ） (2022-10-05T20:47:44Z)
• Z2P: Instant Rendering of Point Clouds [104.1186026323896]
  ニューラルネットワークを用いて点雲をレンダリングする手法を提案する。 既存のポイントレンダリング技術は、スプレイティングを使用するか、最初にレンダリング可能な表面メッシュを再構築する。
  論文  参考訳（メタデータ） (2021-05-30T13:58:24Z)
• Breaking the Limits of Remote Sensing by Simulation and Deep Learning for Flood and Debris Flow Mapping [13.167695669500391]
  リモートセンシング画像から浸水深度と破砕流による地形変形を推定する枠組みを提案する。 水と破片の流れシミュレータは、様々な人工災害シナリオのトレーニングデータを生成する。 このような合成データに基づいてトレーニングされた注意U-NetおよびLinkNetアーキテクチャに基づく回帰モデルにより,最大水位と地形変形を予測することができることを示す。
  論文  参考訳（メタデータ） (2020-06-09T10:59:15Z)

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。