論文の概要: RQUL-UIE: Revitalizing Quality-Unstable Labels for Underwater Image Enhancement via In-Dataset Self-Supervision

• arxiv url: http://arxiv.org/abs/2606.06176v1
• Date: Thu, 04 Jun 2026 13:48:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.829387
• Title: RQUL-UIE: Revitalizing Quality-Unstable Labels for Underwater Image Enhancement via In-Dataset Self-Supervision
• Title（参考訳）: RQUL-UIE:In-Dataset Self-Supervisionによる水中画像強調のための品質不安定ラベルの再生
• Authors: Haochen Hu, Yanrui Bin, Chih-yung Wen, Bing Wang,
• Abstract要約: 水中画像強調(UIE)は,水媒体による劣化の軽減に不可欠である。 本稿では,学習ラベルの品質分布を生かした拡散型自己教師型学習戦略を提案する。
• 参考スコア（独自算出の注目度）: 4.2450930689007444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater Image Enhancement (UIE) is essential for mitigating degradations caused by water medium. Although learning-based methods have advanced significantly, most rely on paired datasets with unstable label quality, which bottlenecks model performance. This paper proposes a diffusion-based, in-dataset self-supervised learning strategy designed to exploit the quality distribution of training labels. Specifically, we evaluate label quality via semantic perception embeddings from a pre-trained diffusion model in a training-free manner. These quality scores are subsequently quantized into noise-level indices, guiding a multi-step denoising process for level-wise supervision. This mechanism prevents low-quality labels from degrading the model while maximizing their utility during training. Furthermore, a Fourier-based refinement network is incorporated to explicitly reconstruct high-frequency components. Extensive evaluations demonstrate that our method consistently outperforms SOTA approaches in restoration quality. The code and pre-trained model will be available once accepted in link.
• Abstract（参考訳）: 水中画像強調(UIE)は,水媒体による劣化の軽減に不可欠である。 学習ベースの手法は大幅に進歩しているが、ほとんどの場合、不安定なラベル品質を持つペアデータセットに依存しており、モデルのパフォーマンスをボトルネックにしている。 本稿では,学習ラベルの品質分布を生かした拡散型自己教師型学習戦略を提案する。 具体的には,事前学習した拡散モデルからの意味知覚埋め込みによるラベル品質の評価を行う。 これらの品質スコアはその後、ノイズレベルの指標に定量化され、レベルワイドな監視のための多段階の認知プロセスが導かれる。 このメカニズムは、低品質なラベルがトレーニング中の有用性を最大化しながら、モデルを劣化させるのを防ぐ。 さらに、高周波成分を明示的に再構成するために、フーリエに基づく精錬網が組み込まれている。 広範囲な評価結果から,SOTA法は回復品質において一貫した精度でSOTA法よりも優れていることが示された。 コードと事前訓練されたモデルは、一度リンクで受け入れられれば利用可能になる。

関連論文リスト

• Robust Self-Training with Closed-loop Label Correction for Learning from Noisy Labels [29.68163073890278]
  ノイズの多いラベルでディープニューラルネットワークをトレーニングすることは、依然として大きな課題である。 分離二段階最適化を用いた自己学習ラベル補正フレームワークを提案する。 提案手法は, 地中構造を伝達するために, ノイズのある後部シミュレーションと中間特徴を用いる。
  論文  参考訳（メタデータ） (2026-03-14T11:10:17Z)
• RS-Prune: Training-Free Data Pruning at High Ratios for Efficient Remote Sensing Diffusion Foundation Models [14.093802378976315]
  拡散型リモートセンシング(RS)生成基盤モデルは、多量のグローバルな代表データに依存している。 本稿では,高プルーニング率で高品質なサブセットを迅速に選択する,トレーニングフリーな2段階データプルーニング手法を提案する。 実験の結果, トレーニングデータの85%を刈り取った後も, コンバージェンスと生成品質が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2025-12-29T06:44:06Z)
• Denoising Score Distillation: From Noisy Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  低品質データから高品質な生成モデルをトレーニングするための驚くほど効果的で斬新なアプローチであるDSD(Denoising score distillation)を導入する。 DSDはノイズの多い劣化したサンプルにのみ拡散モデルを事前訓練し、精製されたクリーンな出力を生成することができる1ステップの発電機に蒸留する。
  論文  参考訳（メタデータ） (2025-03-10T17:44:46Z)
• Mitigating Instance-Dependent Label Noise: Integrating Self-Supervised Pretraining with Pseudo-Label Refinement [3.272177633069322]
  実世界のデータセットは、アノテーションプロセス中にヒューマンエラー、あいまいさ、リソース制約のために、ノイズの多いラベルを含むことが多い。 そこで本研究では,SimCLRを用いた自己教師型学習と反復的擬似ラベル改良を組み合わせた新しいフレームワークを提案する。 提案手法は,特に高騒音条件下では,いくつかの最先端手法よりも優れる。
  論文  参考訳（メタデータ） (2024-12-06T09:56:49Z)
• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [73.6767681305851]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised Learning [101.86916775218403]
  本稿では, サンプル重み付けを統一した定式化により, 一般的な擬似ラベル法を再検討する。 トレーニング中の擬似ラベルの量と質を両立させることでトレードオフを克服するSoftMatchを提案する。 実験では、画像、テキスト、不均衡な分類など、さまざまなベンチマークで大幅に改善されている。
  論文  参考訳（メタデータ） (2023-01-26T03:53:25Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。