論文の概要: Hero-Mamba: Mamba-based Dual Domain Learning for Underwater Image Enhancement

• arxiv url: http://arxiv.org/abs/2604.16266v1
• Date: Fri, 17 Apr 2026 17:24:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:20.028028
• Title: Hero-Mamba: Mamba-based Dual Domain Learning for Underwater Image Enhancement
• Title（参考訳）: Hero-Mamba: マンバをベースとした水中画像強調のためのデュアルドメイン学習
• Authors: Tejeswar Pokuri, Shivarth Rai,
• Abstract要約: 水中の画像は、水中の光の吸収と散乱により、色歪み、低コントラスト、ぼやけた細部に悩まされることが多い。 CNNとTransformersは将来性を示しているが、重大な制限に直面している。 水中画像強調のための2領域学習を効率的に行う新しいネットワークであるHero-Mambaを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater images often suffer from severe degradation, such as color distortion, low contrast, and blurred details, due to light absorption and scattering in water. While learning-based methods like CNNs and Transformers have shown promise, they face critical limitations: CNNs struggle to model the long-range dependencies needed for non-uniform degradation, and Transformers incur quadratic computational complexity, making them inefficient for high-resolution images. To address these challenges, we propose Hero-Mamba, a novel Mamba-based network that achieves efficient dual-domain learning for underwater image enhancement. Our approach uniquely processes information from both the spatial domain (RGB image) and the spectral domain (FFT components) in parallel. This dual-domain input allows the network to decouple degradation factors, separating color/brightness information from texture/noise. The core of our network utilizes Mamba-based SS2D blocks to capture global receptive fields and long-range dependencies with linear complexity, overcoming the limitations of both CNNs and Transformers. Furthermore, we introduce a ColorFusion block, guided by a background light prior, to restore color information with high fidelity. Extensive experiments on the LSUI and UIEB benchmark datasets demonstrate that Hero-Mamba outperforms state-of-the-art methods. Notably, our model achieves a PSNR of 25.802 and an SSIM of 0.913 on LSUI, validating its superior performance and generalization capabilities.
• Abstract（参考訳）: 水中画像は、光吸収や水中の散乱により、色歪み、低コントラスト、ぼやけた細部などの深刻な劣化に悩まされることが多い。 CNNは、非一様分解に必要な長距離依存関係をモデル化するのに苦労し、Transformersは2次計算の複雑さを発生させ、高解像度画像では効率が悪くする。 これらの課題に対処するために,水中画像強調のための効果的な二重ドメイン学習を実現する,新しいマンバベースのネットワークであるHero-Mambaを提案する。 提案手法は空間領域(RGB画像)とスペクトル領域(FFT成分)の両方から情報を並列に処理する。 この二重ドメイン入力により、ネットワークは劣化要因を分離し、テクスチャ/ノイズから色/明度情報を分離することができる。 ネットワークのコアは,MambaベースのSS2Dブロックを使用して,CNNとTransformerの両方の制限を克服し,大域的受容場と長距離依存性を線形複雑にキャプチャする。 さらに、背景光で導かれるカラーフュージョンブロックを導入し、高忠実度で色情報を復元する。 LSUIとUIEBベンチマークデータセットに関する大規模な実験は、Hero-Mambaが最先端の手法より優れていることを示している。 特に,本モデルではPSNR 25.802 と 0.913 の SSIM をLSUI 上で実現し,優れた性能と一般化能力を検証した。

関連論文リスト

• DSDNet: Raw Domain Demoiréing via Dual Color-Space Synergy [33.10273685997384]
  我々はDSDNet(Dual-Stream Demoir'eing Network)という,シングルステージの生ドメインデモアリングフレームワークを提案する。 輝度補正とモワール除去を導出するために、生-YCbCrマッピングパイプラインを設計する。 また,カラー忠実度向上のためのLCAT (Luminance-Chrominance Adaptive Transformer) も開発した。
  論文  参考訳（メタデータ） (2025-04-22T10:09:33Z)
• MatIR: A Hybrid Mamba-Transformer Image Restoration Model [95.17418386046054]
  そこで我々は,MatIRと呼ばれるMamba-Transformerハイブリッド画像復元モデルを提案する。 MatIRはTransformer層とMamba層のブロックをクロスサイクルして特徴を抽出する。 Mambaモジュールでは、4つのスキャンパスに沿って横断するImage Inpainting State Space (IRSS)モジュールを導入する。
  論文  参考訳（メタデータ） (2025-01-30T14:55:40Z)
• Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
  本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。 実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• Mamba-UIE: Enhancing Underwater Images with Physical Model Constraint [6.2101866921752285]
  水中画像強調(UIE)では、畳み込みニューラルネットワーク(CNN)は長距離依存関係のモデリングに固有の制限がある。 本研究では,物理モデルによる制約に基づく水中画像強調フレームワークであるMamba-UIEを提案する。 提案したMamba-UIEは既存の最先端手法よりも優れており,PSNRは27.13で,SSIMは0.93である。
  論文  参考訳（メタデータ） (2024-07-27T13:22:10Z)
• PixMamba: Leveraging State Space Models in a Dual-Level Architecture for Underwater Image Enhancement [7.443057703389351]
  水中画像強調(UIE)は海洋調査や探査に重要であるが、複雑な色歪みと激しいぼやけによって妨げられている。 近年のディープラーニングに基づく手法は目覚ましい成果を上げているが、これらの手法は高い計算コストと不十分なグローバルモデリングに苦慮している。 我々は,ステートスペースモデル(SSM)を活用して,効率的なグローバル依存性モデリングを実現することにより,これらの課題を克服するために設計された新しいアーキテクチャであるPixMambaを提案する。
  論文  参考訳（メタデータ） (2024-06-12T17:34:38Z)
• FDCE-Net: Underwater Image Enhancement with Embedding Frequency and Dual Color Encoder [49.79611204954311]
  水中画像は、低明度、色の変化、ぼやけた詳細、吸光光によるノイズ、水や懸濁粒子による散乱などの様々な問題に悩まされることが多い。 従来の水中画像強調法(UIE)は主に空間領域の強調に焦点を当てており、画像固有の周波数領域情報を無視している。
  論文  参考訳（メタデータ） (2024-04-27T15:16:34Z)
• Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
  2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。 カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。 LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
  論文  参考訳（メタデータ） (2021-03-19T04:00:27Z)

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。