論文の概要: M3D-Stereo: A Multiple-Medium and Multiple-Degradation Dataset for Stereo Image Restoration

• arxiv url: http://arxiv.org/abs/2604.12917v1
• Date: Tue, 14 Apr 2026 16:00:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.551636
• Title: M3D-Stereo: A Multiple-Medium and Multiple-Degradation Dataset for Stereo Image Restoration
• Title（参考訳）: M3D-Stereo:ステレオ画像復元のための多次元・多次元劣化データセット
• Authors: Deqing Yang, Yingying Liu, Qicong Wang, Zhi Zeng, Dajiang Lu, Yibin Tian,
• Abstract要約: M3D-Stereoは、画像復元研究のための7904の高解像度画像ペアを持つステレオデータセットである。 分解シナリオは、水中散乱、ヘイズ/フォッグ、水中低照度、およびヘイズ低照度の4つである。 データセットは、一致したステレオ画像ペアと、ピクセル単位で一貫性のあるクリアグラウンドの真実を提供する。
• 参考スコア（独自算出の注目度）: 21.16316687349818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image restoration under adverse conditions, such as underwater, haze or fog, and low-light environments, remains a highly challenging problem due to complex physical degradations and severe information loss. Existing datasets are predominantly limited to a single degradation type or heavily rely on synthetic data without stereo consistency, inherently restricting their applicability in real-world scenarios. To address this, we introduce M3D-Stereo, a stereo dataset with 7904 high-resolution image pairs for image restoration research acquired in multiple media with multiple controlled degradation levels. It encompasses four degradation scenarios: underwater scatter, haze/fog, underwater low-light, and haze low-light. Each scenario forms a subset, and is divided into six levels of progressive degradation, allowing fine-grained evaluations of restoration methods with increasing severity of degradation. Collected via a laboratory setup, the dataset provides aligned stereo image pairs along with their pixel-wise consistent clear ground truths. Two restoration tasks, single-level and mixed-level degradation, were performed to verify its validity. M3D-Stereo establishes a better controlled and more realistic benchmark to evaluate image restoration and stereo matching methods in complex degradation environments. It is made public under LGPLv3 license.
• Abstract（参考訳）: 水中、迷路、霧、低照度環境などの悪条件下での画像復元は、複雑な物理的劣化と深刻な情報損失のために非常に困難な問題である。 既存のデータセットは、主に単一の劣化タイプに制限されているか、あるいはステレオ一貫性のない合成データに強く依存している。 そこで本稿では,M3D-Stereoについて紹介する。M3D-Stereoは画像復元のための高解像度画像ペアを7904枚備えたステレオデータセットである。 分解シナリオは、水中散乱、ヘイズ/フォッグ、水中低照度、およびヘイズ低照度の4つである。 各シナリオはサブセットを形成し、6段階のプログレッシブ・デグレッション・デグレッション(英語版)に分解され、劣化の深刻度を高めた復元方法のきめ細かい評価が可能となる。 実験室のセットアップで収集されたデータセットは、並べられたステレオ画像ペアと、ピクセル単位で一貫性のあるクリアグラウンドの真実を提供する。 2つの修復作業, 単層および混合層劣化試験を行い, その妥当性を確認した。 M3D-Stereoは、複雑な劣化環境における画像復元とステレオマッチング手法を評価するために、より良い制御とより現実的なベンチマークを確立する。 LGPLv3ライセンスで公開されている。

関連論文リスト

• RealX3D: A Physically-Degraded 3D Benchmark for Multi-view Visual Restoration and Reconstruction [51.07270086169647]
  RealX3Dグループは、照明、散乱、ぼかしを含む4つのファミリーに腐敗し、それぞれを複数の重度レベルで捕獲する。 それぞれのシーンには高解像度キャプチャ、RAW画像、高密度レーザースキャンが含まれており、そこから世界規模のメッシュとメートル法深度を導き出す。
  論文  参考訳（メタデータ） (2025-12-29T12:57:19Z)
• 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)
• From Restoration to Reconstruction: Rethinking 3D Gaussian Splatting for Underwater Scenes [13.730810237133822]
  水中画像復元(UIR)を3次元ガウススプラッティング(DGS)でブリッジする統合フレームワークである textbfR-Splatting を提案する。 提案手法は,多様なUIRモデルによって生成された複数の拡張ビューを1つの再構築パイプラインに統合する。 Seathru-NeRFと新しいBlueCoral3Dデータセットの実験により、R-Splattingはレンダリング品質と幾何学的精度の両方において、強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-09-22T13:50:20Z)
• Single-Step Latent Diffusion for Underwater Image Restoration [25.229678050715496]
  水中画像復元アルゴリズムは、水中で撮影されたシーンの色、コントラスト、外観を復元しようとする。 海洋生態学や養殖から水中建設や考古学まで、様々な応用において重要な道具である。 Slurppは既存の拡散法よりも200倍高速で、合成ベンチマークではPSNRが3dB改善されている。
  論文  参考訳（メタデータ） (2025-07-10T16:02:07Z)
• 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)
• DR2: Diffusion-based Robust Degradation Remover for Blind Face Restoration [66.01846902242355]
  ブラインド顔復元は通常、トレーニングのための事前定義された劣化モデルで劣化した低品質データを合成する。 トレーニングデータに現実のケースをカバーするために、あらゆる種類の劣化を含めることは、高価で実現不可能である。 本稿では、まず、劣化した画像を粗いが劣化不変な予測に変換し、次に、粗い予測を高品質な画像に復元するために拡張モジュールを使用するロバスト劣化再帰法(DR2)を提案する。
  論文  参考訳（メタデータ） (2023-03-13T06:05:18Z)

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。