論文の概要: Variational Deep Unfolding with Mamba-Based Nonlocal Modeling for Underwater Image Enhancement
- arxiv url: http://arxiv.org/abs/2606.14781v1
- Date: Wed, 10 Jun 2026 09:42:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:32.146312
- Title: Variational Deep Unfolding with Mamba-Based Nonlocal Modeling for Underwater Image Enhancement
- Title（参考訳）: マンバによる水中画像強調のための非局所モデリングによる変分深部展開
- Authors: Daniel Torres, Julia Navarro, Catalina Sbert, Joan Duran,
- Abstract要約: 水中画像強調のためのモデルベースディープ展開ネットワークを提案する。
脱ハジング分解に基づく変分定式化により、この枠組みを導出する。
提案手法では,マンバ層を組み込んでシーンの自己相似性を効率的に捉える。
- 参考スコア（独自算出の注目度）: 1.3066182802188202
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Underwater imaging plays a crucial role in ocean engineering, although captured data often suffer from poor visibility and color distortion. To address these challenges, we propose a model-based deep unfolding network for underwater image enhancement that integrates variational modeling into a learnable architecture. The framework is guided by a variational formulation based on a dehazing decomposition, incorporating a multiplicative residual component to absorb remaining artifacts and a nonlocal gradient-type constraint to preserve structural details and enhance edge sharpness. We provide a theoretical analysis establishing the existence of solution for the associated minimization problem. The proposed unfolding method incorporates Mamba layers to efficiently capture self-similarities in the scene. In addition, we introduce a proximal trajectory loss that enforces consistency between the unfolding stages and the iterations of an ideal restoration regularizer. Experimental results demonstrate that the proposed unfolding approach achieves improved visual quality and competitive quantitative performance compared with recent state-of-the-art methods. The source code will be available at https://github.com/MIA-UIB/Variational-Unfolding-Mamba-Underwater-Enhancement .
- Abstract（参考訳）: 水中イメージングは海洋工学において重要な役割を担っているが、捕獲されたデータは視認性や色歪みに乏しい。
これらの課題に対処するために,変分モデリングを学習可能なアーキテクチャに統合した水中画像強調のためのモデルベース深部展開ネットワークを提案する。
脱臭分解に基づく変分定式化により、残留アーティファクトを吸収するための乗法的残留成分と、構造的詳細を保存し、エッジシャープネスを高めるための非局所勾配型制約とを具備する。
本稿では、関連する最小化問題に対する解の存在を立証する理論解析について述べる。
提案手法では,マンバ層を組み込んでシーンの自己相似性を効率的に捉える。
さらに,展開段階と理想的な修復正則化器の繰り返しとの整合性を強制する軌道損失を近似的に導入する。
実験結果から, 提案手法は最近の最先端手法と比較して, 視覚的品質と競争的定量的性能の向上を図っている。
ソースコードはhttps://github.com/MIA-UIB/Variational-Unfolding-Mamba-Underwater-Enhancementで入手できる。
関連論文リスト
- JDPNet: A Network Based on Joint Degradation Processing for Underwater Image Enhancement [9.989461961314753]
JDPNetは、共同劣化処理ネットワークである。
統合されたフレームワーク内で、分解結合に固有の潜在的な情報を統一する。
最先端のパフォーマンスを示しながら、パフォーマンス、パラメータサイズ、計算コストのトレードオフを改善する。
論文 参考訳（メタデータ） (2025-12-23T10:12:35Z) - DACA-Net: A Degradation-Aware Conditional Diffusion Network for Underwater Image Enhancement [16.719513778795367]
水中画像は通常、散乱や吸収といった複雑な光学効果により、激しい色歪み、視界の低さ、構造的明瞭さの低下に悩まされる。
既存の拡張手法は、様々な劣化条件を適応的に扱うのに苦労し、水中固有の物理的前提を効果的に活用できないことが多い。
本研究では,水中画像の適応的・堅牢性を高めるための劣化認識条件拡散モデルを提案する。
論文 参考訳（メタデータ） (2025-07-30T09:16:07Z) - Underwater Diffusion Attention Network with Contrastive Language-Image Joint Learning for Underwater Image Enhancement [0.8747606955991707]
UDAN-CLIPは、合成水中データセットで事前トレーニングされた画像間拡散フレームワークである。
視覚言語モデルに基づくカスタマイズされた分類器、空間的注意モジュール、新しいCLIP拡散損失で拡張される。
提案したコントリビューションにより、UDAN-CLIPモデルにより、より効果的な水中画像強調を行うことができる。
論文 参考訳（メタデータ） (2025-05-26T12:24:56Z) - Stable Flow: Vital Layers for Training-Free Image Editing [74.52248787189302]
拡散モデルはコンテンツ合成と編集の分野に革命をもたらした。
最近のモデルでは、従来のUNetアーキテクチャをDiffusion Transformer (DiT)に置き換えている。
画像形成に欠かせないDiT内の「硝子層」を自動同定する手法を提案する。
次に、実画像編集を可能にするために、フローモデルのための改良された画像反転手法を提案する。
論文 参考訳（メタデータ） (2024-11-21T18:59:51Z) - Oscillation Inversion: Understand the structure of Large Flow Model through the Lens of Inversion Method [60.88467353578118]
実世界のイメージを逆転させる固定点インスパイアされた反復的アプローチは収束を達成せず、異なるクラスタ間で振動することを示す。
本稿では,画像強調,ストロークベースのリカラー化,および視覚的プロンプト誘導画像編集を容易にする,シンプルで高速な分布転送手法を提案する。
論文 参考訳（メタデータ） (2024-11-17T17:45:37Z) - UIE-UnFold: Deep Unfolding Network with Color Priors and Vision Transformer for Underwater Image Enhancement [27.535028176427623]
水中画像強調(UIE)は様々な海洋用途において重要な役割を担っている。
現在の学習に基づくアプローチは、水中画像形成に関わる物理過程に関する明確な事前知識を欠いていることが多い。
そこで本稿では,UIEのカラープリエントとステージ間特徴付与を統合した新しいディープ・アンフォールディング・ネットワーク(DUN)を提案する。
論文 参考訳（メタデータ） (2024-08-20T08:48:33Z) - 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) - PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with
Dual-Discriminators [120.06891448820447]
鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。
水中画像強調(UIE)の課題も、時間とともに現れた。
本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。
我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
論文 参考訳（メタデータ） (2023-06-15T07:41:12Z) - Semantic-aware Texture-Structure Feature Collaboration for Underwater
Image Enhancement [58.075720488942125]
水中画像の強調は海洋工学や水生ロボット工学において重要な技術として注目されている。
我々は,高レベルな意味認識事前学習モデルと協調して,効率的でコンパクトな拡張ネットワークを開発する。
また,提案手法を水中の有意な物体検出タスクに適用し,高レベルの視覚タスクに適した意味認識能力を明らかにする。
論文 参考訳（メタデータ） (2022-11-19T07:50:34Z) - Domain Adaptive Adversarial Learning Based on Physics Model Feedback for
Underwater Image Enhancement [10.143025577499039]
物理モデルに基づくフィードバック制御と,水中画像の高機能化のための領域適応機構を用いた,新しい頑健な対角学習フレームワークを提案する。
水中画像形成モデルを用いてRGB-Dデータから水中訓練データセットをシミュレーションする新しい手法を提案する。
合成および実水中画像の最終的な改良結果は,提案手法の優位性を示している。
論文 参考訳（メタデータ） (2020-02-20T07:50:00Z)
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。