論文の概要: UIESNN: A Scale-Aware Spiking Network for Underwater Image Enhancement

• arxiv url: http://arxiv.org/abs/2605.08376v1
• Date: Fri, 08 May 2026 18:34:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.5958
• Title: UIESNN: A Scale-Aware Spiking Network for Underwater Image Enhancement
• Title（参考訳）: UIESNN: 水中画像強調のためのスケールアウェアスパイクネットワーク
• Authors: Shuang Chen, Ruochen Li, Zihan Zhu, Ronald Thenius, Farshad Arvin, Amir Atapour-Abarghouei,
• Abstract要約: UIESNNという水中画像強調のためのスケールアウェアなSNNフレームワークを提案する。 コアとなるMPLB(Multi-scale Pooling LIF Block)は、階層的なマルチスケールプール応答を膜力学に注入する。 MPLBをベースとして,周波数分解と注目に基づく改善を融合したスパイク残留アーキテクチャを設計する。
• 参考スコア（独自算出の注目度）: 11.773752327675483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater image enhancement (UIE) is a practically important yet underexplored application of spiking neural networks (SNNs), where the dominant degradations are large-scale and low-frequency, such as wavelength-dependent colour casts and scattering-induced veiling. Existing SNN restoration designs rely on locally bounded spiking perception, which can limit global correction and lead to saturated or inconsistent representations. To address these challenges, we propose a scale-aware SNN framework for UIE named UIESNN. At its core is a Multi-scale Pooling LIF Block (MPLB) that injects hierarchical multi-scale pooling responses into membrane dynamics, thereby enlarging the effective receptive field while preserving fine-grained details and inducing heterogeneous scale-dependent activations. Building on MPLB, we design a spiking residual architecture that integrates frequency decomposition and attention-based refinement in a fully spike-driven pipeline. Extensive experiments on the EUVP and LSUI benchmarks demonstrate that UIESNN achieves state-of-the-art performance among SNN-based methods, delivering improved colour fidelity and spatial coherence with competitive energy cost.
• Abstract（参考訳）: 水中画像強調 (UIE) はスパイキングニューラルネットワーク (SNN) の実用上極めて重要であり, 波長依存性のカラーキャストや散乱による換気など, 主な劣化は大規模で低周波である。 既存のSNN復元設計は、局所的に有界なスパイク知覚に依存しており、グローバルな修正を制限し、飽和あるいは一貫性のない表現につながる可能性がある。 これらの課題に対処するため、UIESNNというUIEのためのスケールアウェアなSNNフレームワークを提案する。 コアとなるMPLB(Multi-scale Pooling LIF Block)は、膜力学に階層的なマルチスケールプール応答を注入し、微細な詳細を保存し、不均一なスケール依存的な活性化を誘導しながら、効果的な受容領域を拡大する。 MPLBをベースとして,完全スパイク駆動パイプラインに周波数分解と注目に基づく改善を統合するスパイク残差アーキテクチャを設計する。 EUVPとLSUIベンチマークの大規模な実験は、UIESNNがSNNベースの手法で最先端のパフォーマンスを実現し、色忠実性と競争エネルギーコストによる空間コヒーレンスの向上を実現していることを示している。

関連論文リスト

• Exploring the Potentials of Spiking Neural Networks for Image Deraining [9.165444750162516]
  スパイキングニューラルネットワーク(SNN)は低レベルの視覚タスクでは十分に研究されていない。 本研究は, スパイキングニューロンの固有高通過特性の表現, 特に画像デラリニングについて考察する。 階層型マルチスケール表現学習のためのSpking Decomposition and Enhancement Moduleと軽量Spking Multi-scale Unitを導入する。
  論文  参考訳（メタデータ） (2025-12-01T23:02:17Z)
• VRS-UIE: Value-Driven Reordering Scanning for Underwater Image Enhancement [104.78586859995333]
  状態空間モデル(SSM)は、線形複雑性と大域的受容場のために、視覚タスクの有望なバックボーンとして登場した。 大型で均質だが無意味な海洋背景の優位性は、希少で価値ある標的の特徴表現応答を希薄にすることができる。 水中画像強調(UIE)のための新しい値駆動リダクションスキャンフレームワークを提案する。 本フレームワークは, 水バイアスを効果的に抑制し, 構造や色彩の忠実さを保ち, 優れた向上性能(WMambaを平均0.89dB超える)を実現する。
  論文  参考訳（メタデータ） (2025-05-02T12:21:44Z)
• SU-YOLO: Spiking Neural Network for Efficient Underwater Object Detection [15.935285733525962]
  Spiking Underwater YOLO (SU-YOLO) は水中物体検出のためのスパイキングニューラルネットワーク(SNN)モデルである。 SU-YOLOは、整数加算のみに基づく新しいスパイクベースの水中画像復調手法を取り入れている。 その結果、Su-YOLOのmAPは78.8%、パラメータは6.97M、エネルギー消費は2.98mJであることがわかった。
  論文  参考訳（メタデータ） (2025-03-31T17:59:52Z)
• Spiking Meets Attention: Efficient Remote Sensing Image Super-Resolution with Attention Spiking Neural Networks [86.28783985254431]
  従来の人工ニューラルネットワーク(ANN)の代替手段としてスパイキングニューラルネットワーク(SNN)が登場 本稿では,AID,DOTA,DIORなどのリモートセンシングベンチマークにおいて,最先端の性能を実現するSpikeSRを提案する。
  論文  参考訳（メタデータ） (2025-03-06T09:06:06Z)
• Underwater Image Enhancement with Physical-based Denoising Diffusion Implicit Models [0.03749861135832072]
  水中視力は自律型水中車両(AUV)にとって不可欠 従来の画像強調技術では、様々な水中条件への適応性が欠如している。 拡散確率モデル(DDPM)は、画像から画像へのタスクにおける最先端のアプローチとして登場した。 本稿では,新しい物理ベースおよび拡散ベースUIEアプローチであるUW-DiffPhysを紹介する。
  論文  参考訳（メタデータ） (2024-09-27T06:33:35Z)
• Rethinking Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
  BSN(Blind-spot Network)は、自己教師付き画像復調(SSID)におけるニューラルネットワークアーキテクチャとして広く使われている。 本研究では,Transformer ベースの Blind-Spot Network (TBSN) を構築した。
  論文  参考訳（メタデータ） (2024-04-11T15:39:10Z)
• Asymmetric CNN for image super-resolution [102.96131810686231]
  深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。 画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。 我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
  論文  参考訳（メタデータ） (2021-03-25T07:10:46Z)

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。