論文の概要: Halo Separation-guided Underwater Multi-scale Image Restoration

• arxiv url: http://arxiv.org/abs/2605.10374v1
• Date: Mon, 11 May 2026 11:19:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.75741
• Title: Halo Separation-guided Underwater Multi-scale Image Restoration
• Title（参考訳）: ハロ分離誘導水中マルチスケール画像復元
• Authors: Jiaxin Yang, Honglin Liu, Yongli Wang, Shuyi Cao, Chengcheng Jiang, Jiale Wang,
• Abstract要約: 本稿では,反復構造に基づく1つのハロ画像補正法を設計する。 ネットワークは主に2つのサブネットワークに分割されており、1つはハロを勾配で分離することを目的としたハロ層分離サブネットワークであり、もう1つはハロがマスクした画像情報を復元することを目的としたマルチスケールリカバリサブネットワークである。
• 参考スコア（独自算出の注目度）: 9.16475121313535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater images captured by Autonomous Underwater Vehicles (AUVs) are inevitably affected by artificial light sources, which often produce halos in the foreground of the camera and seriously interfere with the quality of the image. The existing underwater image enhancement methods fail to fully consider this key problem, and the robustness of processing images under artificial light scenes is poor. In practical applications, since underwater image enhancement itself is a very challenging task, the influence of artificial light sources will lead to serious degradation of image performance and affect subsequent vision tasks. In order to effectively deal with this problem, this paper designs a single halo image correction method based on an iterative structure. The network is mainly divided into two sub-networks, one is the halo layer separation sub-network which aims to separate the halo by gradient minimization, and the other is the multi-scale recovery sub-network which aims to recover the image information masked by halo. The UIEB and EUVP synthetic datasets are used for training to ensure that the network can fully learn the characteristics and laws of underwater halo images. Then a large number of halo images taken in an underwater environment with real artificial light are collected for testing. In addition, the brightness distribution characteristics of underwater halo images are analyzed and the radial gradient is introduced to constraint eliminate halo to improve the effect of underwater image restoration.
• Abstract（参考訳）: AUV(Autonomous Underwater Vehicles)が撮影した水中画像は、しばしばカメラの前景にハロを発生させ、画像の品質を著しく阻害する人工的な光源によって必然的に影響を受ける。 既存の水中画像強調手法では、この重要な問題を十分に考慮できず、人工光環境下での画像処理の堅牢性は乏しい。 実際の応用では、水中画像強調自体が非常に困難な作業であるため、人工光源の影響により、画像性能が著しく低下し、その後の視覚タスクに影響を及ぼす。 本論文は,この問題を効果的に解決するために,反復構造に基づく1つのハロ画像補正法を設計する。 ネットワークは主に2つのサブネットワークに分割されており、1つは、勾配最小化によるハロの分離を目的としたハロ層分離サブネットワークであり、もう1つはハロによって隠蔽された画像情報の復元を目的としたマルチスケールリカバリサブネットワークである。 UIEBとEUVP合成データセットは、ネットワークが水中ハロ画像の特徴と法則を完全に学べるようにトレーニングに使用される。 そして、実際の人工光で水中環境で撮影された多数のハロ画像を収集してテストする。 また,水中ハロ画像の輝度分布特性を解析し,放射勾配を導入してハロを排除し,水中画像復元の効果を向上させる。

関連論文リスト

• 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)
• Underwater Image Enhancement with Cascaded Contrastive Learning [51.897854142606725]
  水中画像強調(UIE)は、水中環境の複雑さと水中画像劣化の多様性のために非常に困難な課題である。 既存のディープラーニングベースのUIEメソッドの多くは、多様な劣化に同時に対処できないシングルステージネットワークに従っている。 本稿では,2段階の深層学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-16T03:16:44Z)
• 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)
• PHISWID: Physics-Inspired Underwater Image Dataset Synthesized from RGB-D Images [9.117162374919715]
  本稿では,物理にヒントを得た水中画像データセット(PHISWID)を紹介する。 物理にインスパイアされた画像合成による水中画像処理の強化に適したデータセットである。 我々のデータセットは水中画像処理の発展に寄与する。
  論文  参考訳（メタデータ） (2024-04-05T10:23:10Z)
• 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)
• Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
  オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。 提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-12-23T03:00:28Z)
• Underwater enhancement based on a self-learning strategy and attention mechanism for high-intensity regions [0.0]
  水中活動中に取得した画像は、濁度や光の減衰などの水の環境特性に悩まされる。 水中画像の強化に関する最近の研究と深層学習のアプローチに基づき、合成地下構造を生成する組合わせデータセットの欠如に対処する。 本稿では,ペアデータセットを必要としない深層学習に基づく水中画像強調のための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2022-08-04T19:55:40Z)
• Medium Transmission Map Matters for Learning to Restore Real-World Underwater Images [3.0980025155565376]
  画像強調を支援するためのガイダンスとしてメディア送信マップを導入する。 提案手法は,既存のモデルより30倍高速なテストR90において,22.6dBの高度な結果が得られる。
  論文  参考訳（メタデータ） (2022-03-17T16:13:52Z)
• Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
  そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。 本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-01-10T03:12:52Z)
• Underwater Image Restoration via Contrastive Learning and a Real-world Dataset [59.35766392100753]
  本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。 提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
  論文  参考訳（メタデータ） (2021-06-20T16:06:26Z)

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。