論文の概要: Advancing Visual Reliability: Color-Accurate Underwater Image Enhancement for Real-Time Underwater Missions
- arxiv url: http://arxiv.org/abs/2603.16363v1
- Date: Tue, 17 Mar 2026 10:51:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-18 17:42:07.227843
- Title: Advancing Visual Reliability: Color-Accurate Underwater Image Enhancement for Real-Time Underwater Missions
- Title（参考訳）: 視覚的信頼性の向上:リアルタイム水中ミッションにおけるカラー高精度な水中画像強調
- Authors: Yiqiang Zhou, Yifan Chen, Zhe Sun, Jijun Lu, Ye Zheng, Xuelong Li,
- Abstract要約: 正確な色復元が可能なリアルタイム水中画像強調フレームワークを提案する。
提案手法は、7つの評価指標にまたがって最先端の性能を実現する。
多様な環境条件下でUCIQEのスコアを29.7%改善する。
- 参考スコア（独自算出の注目度）: 52.04969451806431
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underwater image enhancement plays a crucial role in providing reliable visual information for underwater platforms, since strong absorption and scattering in water-related environments generally lead to image quality degradation. Existing high-performance methods often rely on complex architectures, which hinder deployment on underwater devices. Lightweight methods often sacrifice quality for speed and struggle to handle severely degraded underwater images. To address this limitation, we present a real-time underwater image enhancement framework with accurate color restoration. First, an Adaptive Weighted Channel Compensation module is introduced to achieve dynamic color recovery of the red and blue channels using the green channel as a reference anchor. Second, we design a Multi-branch Re-parameterized Dilated Convolution that employs multi-branch fusion during training and structural re-parameterization during inference, enabling large receptive field representation with low computational overhead. Finally, a Statistical Global Color Adjustment module is employed to optimize overall color performance based on statistical priors. Extensive experiments on eight datasets demonstrate that the proposed method achieves state-of-the-art performance across seven evaluation metrics. The model contains only 3,880 inference parameters and achieves an inference speed of 409 FPS. Our method improves the UCIQE score by 29.7% under diverse environmental conditions, and the deployment on ROV platforms and performance gains in downstream tasks further validate its superiority for real-time underwater missions.
- Abstract（参考訳）: 水中画像の強調は、水中プラットフォームに対して信頼性の高い視覚情報を提供する上で重要な役割を担っている。
既存の高性能な手法は複雑なアーキテクチャに依存しており、水中機器への配備を妨げている。
軽量な手法は、しばしばスピードと高度に劣化した水中画像を扱うのに苦労する品質を犠牲にする。
この制限に対処するため、正確な色復元が可能なリアルタイム水中画像強調フレームワークを提案する。
まず、グリーンチャネルを基準アンカーとして、赤と青のチャネルの動的色回復を実現するために、適応重み付きチャネル補償モジュールを導入する。
第2に,マルチブランチ再パラメータ化Dilated Convolutionを設計し,トレーニング中のマルチブランチ融合と推論時の構造的再パラメータ化を実現し,計算オーバーヘッドの少ない大規模な受容場表現を実現する。
最後に、統計量に基づく全体的な色性能を最適化するために、統計的グローバル色調整モジュールが使用される。
8つのデータセットに対する広範囲な実験により,提案手法は7つの評価指標において最先端の性能を達成することを示した。
モデルには3,880の推論パラメータしか含まれておらず、推論速度は409 FPSである。
本手法は, 多様な環境条件下でのUCIQEのスコアを29.7%向上させ, 下流作業におけるROVプラットフォームへの展開と性能向上により, リアルタイム水中ミッションの優位性がさらに向上した。
関連論文リスト
- Development of Domain-Invariant Visual Enhancement and Restoration (DIVER) Approach for Underwater Images [5.8522596133394424]
水中画像は、波長依存性の減衰、散乱、照明の不均一により深刻な劣化を被る。
教師なしのドメイン不変ビジュアルエンハンス・アンド・リカバリフレームワークを提案する。
DIVERは、ロバストな水中画像強調のための物理誘導モデリングと経験的補正を統合している。
論文 参考訳（メタデータ） (2026-01-30T11:58:40Z) - AquaDiff: Diffusion-Based Underwater Image Enhancement for Addressing Color Distortion [0.3437656066916039]
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。
論文 参考訳（メタデータ） (2025-12-15T18:05:37Z) - 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 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) - 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) - 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) - 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) - Wavelength-based Attributed Deep Neural Network for Underwater Image
Restoration [9.378355457555319]
本稿では,色チャネルの移動範囲に基づいて,適切な受容場サイズ(コンテキスト)を付与することで,大幅な性能向上が期待できることを示す。
第2の新規性として、学習したマルチコンテキスト特徴を適応的に洗練するための注意的スキップ機構を組み込んだ。
提案するフレームワークはDeep WaveNetと呼ばれ、従来のピクセル単位で機能ベースのコスト関数を使って最適化されている。
論文 参考訳（メタデータ） (2021-06-15T06:47:51Z) - 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。