論文の概要: Style-Decoupled Adaptive Routing Network for Underwater Image Enhancement

• arxiv url: http://arxiv.org/abs/2604.12257v1
• Date: Tue, 14 Apr 2026 04:13:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.228896
• Title: Style-Decoupled Adaptive Routing Network for Underwater Image Enhancement
• Title（参考訳）: 水中画像強調のためのスタイル分離型適応ルーティングネットワーク
• Authors: Hang Xu, Chen Long, Bing Wang, Hao Chen, Zhen Dong,
• Abstract要約: 本稿では,新しい適応型拡張フレームワークSDAR-Netを提案する。 まず、入力から特定の劣化スタイルを分離し、その後、拡張プロセスを適応的に変調する。 SDAR-Netは、PSNRが25.72dBの新たな最先端(SOTA)性能を実現している。
• 参考スコア（独自算出の注目度）: 20.31889865933078
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater Image Enhancement (UIE) is essential for robust visual perception in marine applications. However, existing methods predominantly rely on uniform mapping tailored to average dataset distributions, leading to over-processing mildly degraded images or insufficient recovery for severe ones. To address this challenge, we propose a novel adaptive enhancement framework, SDAR-Net. Unlike existing uniform paradigms, it first decouples specific degradation styles from the input and subsequently modulates the enhancement process adaptively. Specifically, since underwater degradation primarily shifts the appearance while keeping the scene structure, SDAR-Net formulates image features into dynamic degradation style embeddings and static scene structural representations through a carefully designed training framework. Subsequently, we introduce an adaptive routing mechanism. By evaluating style features and adaptively predicting soft weights at different enhancement states, it guides the weighted fusion of the corresponding image representations, accurately satisfying the adaptive restoration demands of each image. Extensive experiments show that SDAR-Net achieves a new state-of-the-art (SOTA) performance with a PSNR of 25.72 dB on real-world benchmark, and demonstrates its utility in downstream vision tasks. Our code is available at https://github.com/WHU-USI3DV/SDAR-Net.
• Abstract（参考訳）: 水中画像強調(UIE)は、海洋用途において、堅牢な視覚知覚に不可欠である。 しかし、既存の手法は主に、平均的なデータセット分布に合わせた一様マッピングに依存しており、軽度に劣化した画像の過剰処理や、深刻な画像の回復に不十分な結果をもたらす。 この課題に対処するために,新しい適応型拡張フレームワークSDAR-Netを提案する。 既存の均一なパラダイムとは異なり、まず入力から特定の劣化スタイルを分離し、その後、拡張プロセスを適応的に変調する。 具体的には、水中の劣化は主にシーン構造を維持しながら外観を変えるため、SDAR-Netは画像の特徴を動的劣化スタイルの埋め込みと静的なシーン構造表現に慎重に設計したトレーニングフレームワークを通じて定式化する。 その後、適応的なルーティング機構を導入する。 スタイルの特徴を評価し、異なるエンハンスメント状態でソフトウェイトを適応的に予測することにより、対応する画像表現の重み付け融合をガイドし、各画像の適応復元要求を正確に満たす。 大規模な実験により、SDAR-Netは現実世界のベンチマークで25.72dBのPSNRで新しい最先端(SOTA)性能を実現し、下流の視覚タスクでその有用性を実証している。 私たちのコードはhttps://github.com/WHU-USI3DV/SDAR-Net.comで公開されています。

関連論文リスト

• DMAligner: Enhancing Image Alignment via Diffusion Model Based View Synthesis [63.59932602411222]
  DMAlignerは、アライメント指向ビュー合成による画像アライメントのための拡散ベースのフレームワークである。 条件付き画像生成学習のためのダイナミクス対応拡散訓練手法を提案する。 我々は,Blenderを用いたダイナミックシーン画像アライメント(DSIA)データセットを開発した。
  論文  参考訳（メタデータ） (2026-02-26T14:00:07Z)
• 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)
• DSwinIR: Rethinking Window-based Attention for Image Restoration [109.38288333994407]
  画像復元のための基盤となるバックボーンアーキテクチャとしてデフォルマブルスライディングウィンドウ変換器(DSwinIR)を提案する。 DSwinIRの中心には、Deformable Sliding Window (DSwin) Attentionという小説がある。 大規模な実験により、DSwinIRは幅広い画像復元タスクに新しい最先端の技術を設定できることがわかった。
  論文  参考訳（メタデータ） (2025-04-07T09:24:41Z)
• HUPE: Heuristic Underwater Perceptual Enhancement with Semantic Collaborative Learning [62.264673293638175]
  既存の水中画像強調法は主に視覚的品質の向上に重点を置いており、実際的な意味を見落としている。 視覚的品質を高め,他の下流タスクに対処する柔軟性を示す,水中知覚向上のための可逆的ネットワークHを提案する。
  論文  参考訳（メタデータ） (2024-11-27T12:37:03Z)
• 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)
• Adaptive deep learning framework for robust unsupervised underwater image enhancement [3.0516727053033392]
  ディープラーニングベースの水中画像強化における大きな課題の1つは、高品質なトレーニングデータの可用性の制限である。 本研究では、条件付き変分オートエンコーダ(cVAE)を用いて、深層学習モデルのトレーニングを行う、新しい教師なし水中画像強調フレームワークを提案する。 提案手法は, 定量化と定性化の両面において, 他の最先端手法と比較して, 競争性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-12-18T01:07:20Z)

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。