論文の概要: Fusing Transferred Priors and Physics-based Decomposition for Underwater Image Enhancement
- arxiv url: http://arxiv.org/abs/2606.15648v1
- Date: Sun, 14 Jun 2026 07:39:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.777433
- Title: Fusing Transferred Priors and Physics-based Decomposition for Underwater Image Enhancement
- Title（参考訳）: 水中画像強調のための拡散前処理と物理に基づく分解
- Abstract要約: そこで本研究では,水中画像にノイズや真のラベルをペア付けして学習を行うためのトランスファー学習ベースのUIEを提案する。
トランスファーラーニングによって新しいUIEが利用可能であり、物理に整合したUIE分解は理論的な健全性を提供する。
- 参考スコア（独自算出の注目度）: 11.996160498403427
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The underwater images are captured within diverse water-medium conditions, leading to complex degradation, including color bias, low contrast, and blur effect. Recently, learning-based methods have demonstrated their potential for underwater image enhancement (UIE). However, most of the previous work focus on the training strategy or network design to make the enhanced result aligned well with the labels in datasets, ignoring that the labels are selected from the enhanced results of previous UIE methods and these pseudo-labels are noisy. Consequently, the performance of their models is not satisfactory to a certain extent. However, collecting the true labels of the underwater images is challenging. In this work, we propose a transfer learning-based UIE that does not require underwater images to have paired noisy or true labels for learning. Instead, the UIE task is first divided into global color correction, haze removal, and background noise suppression following the underwater physics. Then multiple types of prior from other vision tasks are leveraged as cross-domain supervision in each step. In this way, a novel UIE is available via transfer learning, and the physics-aligned UIE decomposition provides theoretical soundness. Qualitative and quantitative experiments demonstrate that our proposal based on physics and priors fusion achieves SOTA performance in the UIE task and effectively boosts downstream vision tasks, significantly outperforming benchmark methods. Project repo: https://github.com/Haru2022/P2-UIE.
- Abstract（参考訳）: 水中の画像は様々な水-ナトリウム条件下で撮影され、色バイアス、低コントラスト、ぼかし効果などの複雑な劣化を引き起こす。
近年,水中画像強調(UIE)の学習手法が実証されている。
しかし,従来のUIE手法の強化結果からラベルが選択され,これらの擬似ラベルがうるさいことを無視して,トレーニング戦略やネットワーク設計に重点を置いている。
したがって、それらのモデルの性能はある程度は満足できない。
しかし、水中画像の真のラベルの収集は困難である。
そこで本研究では,水中画像を必要としない移動学習ベースのUIEを提案する。
代わりに、UIEタスクは、まず、水中物理学の後に、グローバルな色補正、ヘイズ除去、バックグラウンドノイズ抑圧に分割される。
次に、他のビジョンタスクから複数の種類の事前タスクが、各ステップでクロスドメイン監視として利用されます。
このように、新しいUIEは転送学習によって利用可能であり、物理に整合したUIE分解は理論的な健全性を提供する。
定性的および定量的実験により,UIEタスクのSOTA性能が向上し,下流視覚タスクが効果的に向上し,ベンチマーク手法が大幅に向上することが示された。
プロジェクトリポジトリ:https://github.com/Haru2022/P2-UIE。
関連論文リスト
- Downstream Task Inspired Underwater Image Enhancement: A Perception-Aware Study from Dataset Construction to Network Design [53.9340120911759]
そこで本研究では,水中視覚タスクに有効な画像強調を行うために,下流タスクインスパイアされた水中画像強調(DTI-UIE)フレームワークを提案する。
具体的には,機能混合のためのタスク認識型アテンションモジュールを備えた効率的な2分岐ネットワークを設計する。
DTI-UIEは、下流タスクに有用な前処理画像を生成することにより、タスク性能を著しく向上することを示す。
論文 参考訳（メタデータ） (2026-03-02T11:50:09Z) - HUPE: Heuristic Underwater Perceptual Enhancement with Semantic Collaborative Learning [62.264673293638175]
既存の水中画像強調法は主に視覚的品質の向上に重点を置いており、実際的な意味を見落としている。
視覚的品質を高め,他の下流タスクに対処する柔軟性を示す,水中知覚向上のための可逆的ネットワークHを提案する。
論文 参考訳（メタデータ） (2024-11-27T12:37:03Z) - 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) - 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) - UIEDP:Underwater Image Enhancement with Diffusion Prior [20.349103580702028]
水中画像強調(UIE)は,低品質水中画像から鮮明な画像を生成することを目的としている。
劣化した水中の入力に条件付きクリアな画像の後方分布サンプリングプロセスとして,UIEを取り扱う新しいフレームワークであるUIEDPを提案する。
論文 参考訳（メタデータ） (2023-12-11T09:24:52Z) - RAUNE-Net: A Residual and Attention-Driven Underwater Image Enhancement
Method [2.6645441842326756]
水中画像強調(UIE)は、水中環境の特徴的な性質のために課題を提起する。
本稿では、RAUNE-Netと呼ばれるより信頼性が高く合理的なUIEネットワークを提案する。
提案手法は,様々な実世界の水中画像に対して,有望な客観的性能と一貫した視覚的結果を得る。
論文 参考訳（メタデータ） (2023-11-01T03:00:07Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - Semi-supervised Underwater Image Enhancement Using A Physics-Aware Triple-Stream Network [6.7932860553262415]
我々は、物理に基づく画像形成モデル(IFM)と深層学習技術の両方を水中画像強調(UIE)に活用する。
PATS-UIENetは、直接信号伝送推定水蒸気(D-Stream)、後方信号伝送推定水蒸気(B-Stream)、アンビエント光推定水蒸気(A-Stream)からなる。
また、ラベル付き画像とラベルなし画像の両方を利用して、IFMにインスパイアされた半教師付き学習フレームワークを採用し、不十分なデータの問題に対処する。
論文 参考訳（メタデータ） (2023-07-21T10:10:18Z) - 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) - SyreaNet: A Physically Guided Underwater Image Enhancement Framework
Integrating Synthetic and Real Images [17.471353846746474]
水中画像強調(UIE)は高レベルの視覚関連水中作業に不可欠である。
合成データと実データの両方を統合するUIEのためのフレームワーク textitSyreaNet を提案する。
論文 参考訳（メタデータ） (2023-02-16T12:57:52Z)
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。